本研究提出了联邦图提示学习（FedGPL）框架，旨在解决多样化数据下联邦图学习的异构性问题。实验结果表明，FedGPL在精度和效率上优于现有方法。

本文介绍了并行连续学习（PSL）的框架，通过设备之间的分散合作、考虑异构性和接近度，实现了模型的分散和本地模型凝聚，优化模型学习和资源效率。

该论文提出了一种名为FedGH的方法，通过梯度协调来解决联邦学习中来自多个客户端的异构性问题。实验证明，FedGH能显著提升现有的联邦学习方法，在存在更强异构性的情况下效果更为显著，且无需超参数调整。