在工业物联网中，联邦学习因数据隐私问题被广泛应用，但数据异构性和通信资源限制影响模型性能。本文提出一种结合集中式和分散式的半分散式边缘云设备层次化联邦学习框架，使用增量次梯度优化算法提升模型泛化能力。实验显示，该方法有效缓解数据异构性影响，并减轻通信瓶颈。

本文研究了通过量化本地模型参数来减少联邦学习的收敛时间，并优化了计算、通信资源和量化比特数。该方法可以加速收敛速度，并为选择量化误差容忍度提供有用的见解。

该文介绍了一种基于软演员批判深度强化学习（DRL）的联邦学习（FL）解决方案，旨在最小化FL过程的能量消耗。该方案采用编排参与设备的计算和通信资源的方法，同时保证模型性能和最小化总能量消耗。