本文介绍了一种动态全球模型聚合方法，用于解决异质设备和客户端之间不同分布的数据带来的性能挑战。该方法根据客户端的上传频率对模型更新的权重进行评分和调整，以适应设备能力的差异。同时，在客户端上传本地模型后立即提供更新的全球模型，以提高训练效率。实验结果表明，该方法在全球模型的准确性上有显著提升。该方法能够在限制的客户资源和统计数据异质性下实现可靠的全球模型训练，提高了现实世界的联邦学习部署的韧性和可扩展性。

本文介绍了一种动态全球模型聚合方法，用于解决异构设备和客户端之间不同分布的数据带来的性能挑战。该方法根据客户端的上传频率对模型更新的权重进行评分和调整，以适应设备能力的差异。实验结果表明，该方法在全球模型的准确性上有显著提升。