本研究提出了一种联邦黑寡妇优化（FedBWO）技术，以解决资源受限设备的传输能力不足问题。该方法仅传输性能得分，从而减少通信数据量，实验结果显示准确率提高了21%，通信成本显著降低。

本文提出了TRIP框架，旨在解决联邦学习中的专家分配和通信成本问题。实验结果表明，TRIP在提高通信效率的同时，显著改善了个性化样本的处理，展示了其在异构数据环境中的应用潜力。

该研究提出了协作约束路由(C2R)策略，以提高混合专家(MoE)模型的效率，解决专家激活不平衡和通信开销过高的问题。实验结果显示，该方法在多个NLP基准测试中提升了性能，并显著降低了GPU间的通信成本。

本文提出了一种新协议，通过将网络权重编码为可训练参数，联邦学习的通信成本降低了34倍，显著提高了效率。

本研究提出了一种新颖的联邦学习算法FedCGS，旨在解决传统联邦学习中的高通信成本和隐私攻击风险。该算法通过预训练模型捕获全局特征统计，实现了一次性联邦学习，表现出色，具有广泛应用潜力。

本研究提出ProFe算法，旨在解决去中心化联邦学习中的通信管理和模型聚合问题，降低通信成本40-50%，同时提升模型性能，为DFL应用提供新方案。

该研究提出了一种新方法，将服务器大型语言模型推理中的通信成本从16位降低至4.2位，同时保持约98.0%和99.5%的原始性能，显示出显著的应用潜力。

本研究提出了ClipFL框架，旨在改善联邦学习中噪声标签的处理效果。通过评估客户端在干净验证数据集上的表现，ClipFL能够识别并排除表现不佳的客户端，从而显著提高准确性、加快收敛速度并降低通信成本。

本文提出了一种新的异构自适应联邦低秩适应（HAFL）框架，旨在解决联邦微调大语言模型在多样化数据集上适应特定任务时的计算和通信挑战。研究表明，该方法通过重要性参数截断和冻结方案，实现了快速收敛和低通信成本，同时保持了模型性能。

本研究提出了一种一次性私密聚合（OPA）方法，旨在解决安全计算中的高通信成本问题。该方法简化了动态参与和掉线管理，应用于联邦学习，显著提升了效率和安全性。

本研究提出了一种高效的个性化联邦学习算法FedSPD，旨在解决去中心化联邦学习中客户端模型个性化的问题。该算法在低连接性网络中实现精准学习，并显著降低通信成本。

本研究提出了一种名为Facade的算法，解决去中心化学习中因数据特征空间异质性导致的模型效用和公平性问题。该算法通过动态聚类分配节点，实现公平训练。实验表明，Facade在模型准确性和公平性上优于现有方法，并降低了通信成本。

本研究提出了一种预测梯度压缩方法，通过利用局部梯度的时间相关性，降低分布式学习中的通信成本，并确保收敛性和性能提升。

本研究提出了一种新颖的个性化技术TPFL，通过分组模型提高准确性和降低通信成本，保护用户隐私。实验结果在MNIST、FashionMNIST和FEMNIST数据集上达到最高准确率。

该研究提出了一种新的联邦学习框架，利用无标签的开放数据集和基于蒸馏的半监督学习算法，实现了模型的交流和性能的提高，并通过减少模型之间的异质性来减少熵的平均值。实验结果表明，相对于FL基准，DS-FL能降低高达99%的通信成本，同时达到相似甚至更高的分类准确性。

本论文提出了一种基于贝叶斯推理的自适应辍学方法（FedBIAD），通过将局部模型权重转化为概率分布，并根据本地训练损失趋势辍掉部分权重行，从而在减少通信成本的同时提高准确性。实验证明该方法在非独立同分布数据上可以提高2.41%的准确率，并最多缩短72%的训练时间。

本研究展示了Low-Rank Adaptation方法在联邦学习中的应用，通过FLoCoRA方法减少通信成本4.8倍，对于CIFAR-10分类任务的ResNet-8模型准确度损失小于1%。引入仿射量化方案后，通信成本减少18.6倍，对于ResNet-18模型测试准确度损失不到1%。该研究提供了一个强有力的基准，减少了训练内存需求。

本研究展示了Low-Rank Adaptation方法在联邦学习中的应用，通过FLoCoRA方法减少通信成本4.8倍，对于CIFAR-10分类任务的ResNet-8模型准确度损失小于1%。引入仿射量化方案后，通信成本缩减18.6倍，对于ResNet-18模型测试准确度损失不到1%。该研究提供了一个强有力的基准，减少了训练内存需求。

本文提出了一种新的联邦表示学习框架，使用相似度蒸馏对全局模型进行训练，以实现在通信成本和隐私保护的限制下的可行性。实验证明该方法在多种数据集上能够以可比较的结果实现多种设置下的性能。