本文介绍了一种半异步聚合的联邦边缘学习机制（PAOTA），研究表明，PAOTA在达到相同精度时训练时间更短，收敛性能接近本地SGD。此外，探讨了数字无线计算方案、低延迟多接入方案及基于群集数据共享的联邦学习框架，以提高模型聚合的效率和准确性。

本文研究了联邦学习中的多种算法及其收敛性能，分析了 FedAvg、FedAU、WeiAvg、CA-Fed 和 FedFish 等算法，发现它们在处理异构数据和未知客户端参与率问题上表现优异，能够提高模型的准确性和收敛速度。实验结果显示，这些新方法在多任务学习和图像分类中优于传统算法。

该文综述分布式深度学习中的梯度稀疏化方法，旨在降低通信开销并提升可扩展性。介绍了MiCRO、DEFT、SparDL、LAGS-SGD等方案，通过梯度选择、分层自适应稀疏和误差补偿等技术，在保持收敛性能的同时减少通信流量，并验证了其有效性。

本文介绍了一种无导数联邦零阶优化算法（FedZO），通过多次本地更新和部分设备参与来实现。同时，还介绍了一种适用于无线网络的空气计算辅助 FedZO 算法。研究了在非凸设置下，FedZO 算法的收敛性能，并分析了本地迭代次数和参与边缘设备数量对收敛性的影响。