该文综述多种联邦学习通信压缩方法，包括消息压缩、Ornstein-Uhlenbeck过程、FedCode代码簿传输、梯度稀疏与局部更新权衡、知识蒸馏、半监督蒸馏、自适应优化、聚类与梯度校正、模型剪枝及表示学习等，在保持精度的同时大幅降低通信成本，部分方案可降低99%甚至490倍。

本文综述稀疏性在持续学习中的应用：SparCL框架通过权重、数据与梯度稀疏协同加速训练并保持精度；DST实证研究给出初始化与增长策略配置建议；CLNP利用非活动神经元学习新任务而不损害旧任务；CoSCL、SpaceNet、EMGD、自适应分组稀疏、子空间正交等方法分别从子网络集成、容量压缩、梯度调整、正则化和正交学习减少遗忘与干扰，SCL实现自动裁剪。