本文提出了一种名为滑动分割联邦学习（S^2FL）的新型SFL方法，解决了数据异构性和滞后问题。实验结果表明，S^2FL相比传统SFL，推断准确性提高了16.5%，训练加速了3.54倍。

该文介绍了在线传播框架和两种节点自适应传播方法，用于加速可扩展图神经网络的推断过程，并通过超参数灵活管理准确性和时延之间的平衡。作者提出了Inception Distillation来弥补推断准确性损失，实验结果表明该方法优于现有的图推断加速方法。