本文研究了一种简化的通信高效分布式学习框架，利用数据子集计算本地最大似然估计量，并结合本地估计值实现对全局MLE的最佳近似。研究表明，使用KL散度方法比线性组合方法更为优越，可解决模型错误、非凸性和异构数据分区等问题。

本文介绍了一种简化的通信高效分布式学习框架，解决模型错误、非凸性和异构数据分区等问题。利用数据子集计算本地最大似然估计量，并结合本地估计值实现对全局MLE的最佳近似。研究了使用KL散度方法与线性组合方法组合本地MLE的经验性能，并表明KL方法在实际设置中比线性组合方法更为优越。