本文介绍了多种新型联邦学习方法，包括使用对比损失的知识蒸馏、资源自适应分割联邦学习（AdaptSFL）和滑动分割联邦学习（S^2FL）。这些方法旨在提升模型效用、训练性能和隐私保护，尤其适用于资源受限的环境。实验结果表明，S^2FL在推断准确性和训练速度上均有显著提升。

本文提出了一种名为滑动分割联邦学习（S^2FL）的新型SFL方法，解决了数据异构性和滞后问题。实验结果表明，S^2FL相比传统SFL，推断准确性提高了16.5%，训练加速了3.54倍。