本研究提出了一种新的低延迟联邦学习框架LoLaFL，旨在解决传统联邦学习在第六代移动网络中的低延迟问题。通过前向传播和非线性聚合，显著减少通信轮次，降低延迟，具有重要的应用潜力。

本文提出了联邦私有局部训练算法（Fed-PLT），解决了联邦学习中的通信和隐私保护挑战。通过局部参与和训练，减少了通信轮次，实现了对准确性的无影响匹配。同时，代理具有选择不同训练求解器的灵活性，并探讨了如何利用局部训练增强隐私。通过理论分析和数值结果，评估了该算法的有效性。