本研究提出了一种新型联合双重学习方法，克服了现有联合学习在异构数据和通信延迟下的局限性。实验结果表明，该方法在数据不一致的情况下仍能有效更新客户端模型，显著优于现有技术，展示了去中心化数据的潜力。

本研究提出了一种细粒度量化技术，有效解决了大语言模型在多硬件加速器推理中的通信延迟问题，实现了3.5到4.5倍的压缩率，首次令牌响应时间缩短最多2倍，且对模型性能影响微小。

本文提出了一种解决异构设备数据、计算和通信延迟以及非独立同分布数据的联邦学习框架，通过数学分析研究了其收敛性、计算和通信延迟，并最终通过优化问题得到了剪枝比例和无线资源分配的闭式解。实验结果表明，该框架能够显著减少约50％的计算和通信延迟。

本文介绍了一种基于UMAirComp框架的边缘联邦学习方式，可以利用模拟波束成形上传本地模型参数并更新全局模型参数，降低通信延迟和成本。同时提出了低复杂度大规模优化算法，并在边缘联邦学习系统中获得较小的误差。测试表明，UMAirComp系统对于自主驾驶任务更加敏感。