本研究提出了BigMac模型，解决了混合专家结构在全对全通信中的瓶颈问题。通过改进通信方式，BigMac实现了高效的下降-通信-通信-上升机制，显著提高了计算效率。实验结果表明，BigMac在保持模型质量的同时，训练延迟减少3.09倍，推理吞吐量提高3.11倍。

联邦学习是一种高效的分布式机器学习方法，通过用户端的迭代本地模型训练和中央服务器端的全局模型聚合，保护用户的隐私。研究者开发了一种用户调度和资源分配方法，以减小训练延迟。模拟结果表明，该算法相比基线算法具有更好的性能，用户移动可以提高训练性能。