本研究针对一次性联邦学习（OFL）在数据和模型异质性方面的挑战，进行了系统分析并提出了创新的分类方法，同时探讨了未来的研究方向。

本文提出了一种基于FCCL+的联邦相关性和相似性学习方法，通过非目标蒸馏解决模型异质性和灾难性遗忘问题，并提出了综合评估标准。实验证明该方法在各种场景下具有优越性和高效性。

本文提出了一种利用未标记公共数据进行通信的新联邦学习方法，解决模型异质性和灾难性遗忘问题，并提出了综合评估标准。实验证明该方法在各种场景下高效且优越。