本研究解决了FedProx方法中个性化正则化对统计准确性的改善机制尚未充分建立的问题。我们提出了一种新颖的方法，通过自适应选择正则化强度，提高了个性化效果，并证明其在不同统计异质性下能够超过纯本地训练。此外，研究还展示了更强的个性化能够降低通信复杂度，而不会增加计算成本。

本文介绍了针对联邦学习中异构性和优化问题的多种算法和框架，包括FedProx、FedSplit、FedLin和S-DANE等。这些方法通过改进收敛性、通信效率和本地计算，展示了在分布式学习中的应用潜力和实验效果。