本研究提出了一种结合联邦微调和合作推理的方法，以解决在网络边缘部署大型人工智能模型时的数据隐私、计算资源和延迟问题。该方法有效降低微调损失，提高通信和操作效率，具有广泛应用潜力。

本研究提出了DropPEFT框架，旨在解决联邦微调在资源受限设备上的计算和内存负担问题。通过随机停用层和自适应dropout比率，显著提升了模型的收敛速度并降低了内存占用。

本研究提出了一种名为DR-编码器的方法，通过引入两阶段随机性来解决联邦微调大型语言模型中的信息泄漏问题。该方法在多个基础模型上显著提高了效率和准确性，并进行了全面的隐私分析。