本文探讨了无人机在数据分类、警务监察和通信优化等领域的应用，提出了基于深度学习和图神经网络的多种解决方案。这些方法在资源受限环境中表现优越，能够有效提高系统吞吐量、预测轨迹和增强通信安全性，适用于复杂的无人机网络和潜在敌对环境。

研究人员提出了一种名为Ents的高效三方训练框架，通过通信优化来训练决策树。实验结果表明，Ents在通信大小和轮数方面优于最先进的框架，并且训练时间也有显著提升。在WAN环境中，安全训练决策树的时间不到三个小时。

该文综述联邦学习通信优化与隐私保护进展，涵盖UVeQFed向量量化、CodedFedL、FedCode、CUCL、贝叶斯个性化FL、ULDP-FL、FedUL、Fed-ET及EasyFL低代码平台等方案，分别针对传输瓶颈、异构数据、无监督学习与差分隐私等问题提出改进。

该文综述多种深度学习调度系统：GPU集群调度器通过邻近性整合降低通信延迟，端到端完成时间改进达69%；CASSINI利用亲和图交错通信阶段，提升完成时间1.6至2.5倍；Nimble采用提前调度降低开销；Symphony集中调度推理，吞吐量提升4.7倍；还涉及联邦学习框架等。