本研究提出FreqX方法，解决个性化联邦学习中的非独立同分布、设备异构和公平性不足等问题。FreqX结合信号处理与信息论，提供快速且可解释的结果，运行速度比基准方法快10倍，满足低成本和隐私需求。

该文综述异步联邦学习研究，涵盖设备与数据异构、隐私安全及应用，指出挑战与方向。多项研究提出定期聚合、调度与更新策略、CA-Fed、AdapterFL、FedALA、LESSON、TimelyFL等框架，通过年龄感知加权、自适应本地聚合和资源调度，提升收敛速度、测试精度与参与率，降低能耗。