本文探讨了分布式学习中的滞后问题，提出了基于梯度编码的解决方案，如GOCO和SGC，以提高算法的鲁棒性和学习性能。这些方法通过优化通信开销和减少运行时间，证明了在滞后节点存在时的有效性。

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。