本研究提出了一种新方法，解决设备端学习中的内存和计算约束问题，作为低秩分解的替代方案。实验结果表明，该方法在激活内存使用上可降低120.09倍，并减少训练FLOPs达1.86倍。

本文提出了一种新的三层体系结构，用于优化边缘计算环境下的联邦学习，解决了客户数据异质性和计算约束的挑战。实验证明该体系结构比传统模型更有效地处理非独立同分布的数据集，提高模型准确性、减少通信开销，并促进联邦学习技术的广泛应用。

本文介绍了Dirichlet连续学习（DCL）方法，用于解决对话系统中的计算约束和耗时问题。DCL利用Dirichlet分布建模先验变量，指导伪样本生成，并引入Jensen-Shannon知识蒸馏方法。实验证实了该方法在意图检测和槽填充任务上的有效性，超过了最先进的方法。