该论文提出了一种高效且分布式的网络IoT音频设备的说话人分离框架，通过联邦学习模型和无监督分割技术解决了说话人变化检测和计算开销的问题。实验结果表明，该方法适用于分布式IoT音频网络中的实时说话人分离，具有良好的效果。

本文介绍了一种基于张量的联邦学习模型（FL-LFT），用于处理大数据和服务计算中的动态连接和用户视角质量服务（QoS）的动态数据。实验证明，FL-LFT相较于最先进的联邦学习（FL）方法能显著提高预测准确性。