本研究提出了一种受 $ ext{l}_0$ 启发的稀疏化方法，旨在提高稀疏检索模型在无推理场景下的效率。评估结果表明，该方法在 BEIR 基准测试中表现优异，与主流模型相当，揭示了检索效果与计算效率之间的权衡，具有实际应用价值。

本文研究了联邦学习在多跳通信设置中的应用，通过增量聚合方法改善通信效率，提出了几种相关稀疏化方法，并通过数值结果展示了这些算法在减少收敛性问题的情况下，相比常规路由和最先进的稀疏增量聚合方法，提高了15倍和11倍的通信效率。