该文综述了多种联邦学习方法，旨在解决数据与模型异构、通信和计算效率问题，包括pFedES、DFL、FedH2L、FedGSP、FedAlign、PSL、HeteroFL和FedLoRA等，通过特征共享、分散训练、动态分组和适配器调优提升模型精度并降低成本。

该研究在Wav2Seq模型上进行了提示和适配器调优，显著提高了ASR的词错误率和槽位填充的F1分数。在7种语言中，提示和适配器调优表现优于传统的微调方法，尤其在资源匮乏的情况下，提示的表现更好。