本研究提出了一种新型加权方案和子空间动量，以提高有限通信条件下分布式深度学习的梯度聚合效率，实验结果表明其优于传统方法。

本文提出了一种新颖的分层联邦学习算法，结合了量化通信效率，并对统计异质性具有鲁棒性。该方法将梯度聚合与模型聚合相结合，通过全面的分析框架评估其最优性差距和收敛速度，并与传统算法进行比较。研究结果表明，在一系列参数下，该算法始终能够实现高学习准确率，并在具有异构数据分布的场景中明显优于其他分层算法。