该综述围绕联邦学习的体系结构、算法设计与安全展开，提出通用框架及攻击防御方法；研究涵盖基础模型蒸馏提升异构客户端性能、基础模型与联邦学习协同、无线网络适用性、共享内容分类与隐私通信权衡；并介绍应对异构客户端的HeteroFL框架、降低通信开销并保障隐私的分层联邦学习H-FL，以及可减半消息且准确率损失不足1%的压缩技术。