本研究提出了一种轻量级的联邦分割学习方案，旨在解决边缘设备资源限制导致的模型训练瓶颈。通过动态剪枝和量化梯度更新，降低了计算和通信开销，实验结果表明在无线网络中显著提升了训练性能。