联邦学习在人工智能应用中越来越重要，特别是在数据隐私方面。本文总结了个性化联邦学习的研究进展，探讨了统计异质性带来的挑战及其解决方案，包括新方法pFedBreD和pFedLA，强调了在不同客户端间共享模型和保护隐私的技术。这些方法在提升个性化和模型性能方面表现良好。

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。

本文对联邦线性随机逼近（FedLSA）算法进行了非渐进分析，提出了SCAFFLSA来校正异质代理的本地训练引入的偏差，并证明其在统计异质性方面的收敛性。同时应用于联邦时序差异学习，并分析了复杂度改进。