本文提出了一种新型的联邦学习算法，旨在解决分布式学习中的非凸问题并提升通信效率。该算法通过局部适应性和服务器端适应性在理论上保证收敛，并在不同数据分布下表现优异。同时，研究探讨了个性化模型生成和聚合策略，强调在保护隐私的同时提高模型性能的潜力。