本文提出了一種名為 FLoRAL 的參數高效的聯邦學習框架，用於在具有概念轉移的異構數據中進行模型個人化，並通過實證結果證明了其在準確性和效率方面的優勢。
本研究提出了一個先進的聯邦學習系統,利用不同的個人化方法來提高AI模型的準確性,並增強實時NG-IoT應用程式中的用戶體驗。
聯邦學習個人化技術可以根據個人用戶的需求定制機器學習模型,同時保護數據隱私。然而,在實現最佳性能時,需要在記憶體開銷成本和模型準確性之間進行謹慎的平衡。
