本研究提出了一种创新的通信方案，针对边缘网络中分散式联邦学习的性能挑战，解决了多跳带宽受限的问题。该算法将训练时间缩短超过80%，提高了计算效率并保持了准确性。

本研究分析了分散式联邦学习中劣质数据对模型训练的影响，发现基于平均值的学习方法对局部坏数据具有较强的鲁棒性，尤其在劣质数据集中于单个节点时，能够有效减小其对整体学习的影响。

本研究分析了不完美通信渠道对分散式联邦学习（D-FL）的影响，并确定了每轮训练的最佳本地汇总次数。实验证实了收敛分析，并在图像分类任务中确定了最佳的本地汇总次数。结果显示，具有最佳本地汇总次数的D-FL可以提高10%以上的训练准确性。

本文介绍了一种采用随机梯度下降算法的分散式联邦学习（DFL）模型，用于改善代理网络中的学习性能。实验中测试了三种DFL调度策略的收敛性、准确性和损失，结果显示调度策略对收敛速度和全局模型有影响。