本文介绍了一种基于合作推拉式数据共享机制的联邦学习方法，旨在提升分布式边缘设备上的模型表现和收敛速度。研究提出了合作联邦学习（CFL）范例，解决了网络异构性问题，并支持无标签数据和隐私保护。同时，提出的设备选择算法提高了全局模型的收敛性能，优化了训练准确性和通信效率。