本研究提出了一种轻量级的联邦分割学习方案，旨在解决边缘设备在联邦学习中的资源限制问题。通过动态剪枝和量化梯度更新，显著降低了计算和通信开销，实验结果表明在无线网络中有效提升了训练性能。

本研究提出了多种神经网络剪枝方法，包括基于GAN的软屏蔽剪枝、知识蒸馏剪枝、动态剪枝和硬件感知延迟剪枝。这些方法在不同数据集上实现了高准确率和显著的计算效率提升，尤其在ImageNet和CIFAR数据集上表现突出。