FedWSQ es un novedoso marco de aprendizaje federado (FL) propuesto para abordar las limitaciones del aprendizaje federado (FL), que presenta un bajo rendimiento debido a los importantes desafíos de la heterogeneidad de los datos y las restricciones de comunicación. FedWSQ funciona integrando la estandarización de pesos (WS) y la cuantificación no uniforme con conocimiento de la distribución (DANUQ). WS mejora la robustez del modelo ante la heterogeneidad de los datos y la participación poco fiable del cliente al filtrar los componentes sesgados de las actualizaciones locales durante el aprendizaje. DANUQ minimiza los errores de cuantificación aprovechando las propiedades estadísticas de las actualizaciones locales del modelo. Como resultado, FedWSQ reduce significativamente la sobrecarga de comunicación, manteniendo al mismo tiempo una excelente precisión del modelo. Experimentos exhaustivos con diversos conjuntos de datos de referencia de FL demuestran que FedWSQ supera consistentemente a los métodos de FL existentes en diversos entornos de FL complejos, incluyendo heterogeneidad extrema de datos y escenarios de comunicación con tasas de bits ultrabajas.
