本研究提出E-3SFC方法，以解决联邦学习中因模型规模增加而导致的通信负担问题。通过双向压缩和动态通信预算调度，E-3SFC显著提高了压缩效率，降低了通信成本，提升了通信效率。

本文介绍了一种新型的联邦学习算法FedDWA，旨在解决传统方法中的通信和数据隐私问题。实验结果表明，FedDWA在多个数据集上显著降低了通信负担，并提高了模型的精确度。此外，研究还提出了L-DAWA和WeiAvg等其他算法，以进一步提升联邦学习的性能和数据处理效率。