本文提出了一种名为RE-FL的新方法，旨在解决资源受限设备中的计算和通信挑战。通过可变修剪技术和知识蒸馏，优化资源利用，减少带宽消耗。实验表明，该方法在保持数据隐私和性能的同时，显著提高了全球模型的准确性，增强了联邦学习的韧性和可扩展性。