本研究探讨了联邦学习在通信噪声存在时的性能，提出了新的收敛性分析，指出上行和下行信噪比需随通信轮数增长以保持收敛性。同时，研究了基于设备对设备网络的改进方法，提出了AMC-Net和SplitAMC等新技术，以提高自动调制识别的准确性和效率。

本文分析了FedAvg算法在非独立同分布数据上的收敛性，指出数据异质性降低收敛速度，并建议学习率需衰减以避免偏离最优解。研究探讨了通信噪声对学习性能的影响，提出FedLin框架以应对目标和系统异质性，确保线性收敛。通过重洗实验数据优化收敛率，并提出新算法解决复合联合学习问题，展示其优越性。