在联邦学习中，减少通信开销至关重要，因为设备共享的是模型更新而不是原始数据，这会导致显著的带宽消耗。为此，采用了多种技术来最小化这些开销，提高效率，并使其在带宽有限的网络中更具可行性。这些技术包括压缩算法、稀疏更新和自适应通信策略。
一种常见的方法是使用模型压缩技术，例如量化和权重剪枝。量化的过程是将模型参数的精度从浮点数降低到较低位表示，这大幅减少了通过网络发送的更新大小。例如，设备可以将更新作为 8 位整数发送，而不是发送 32 位浮点值。权重剪枝则是从模型中剔除不太重要的权重，使设备只需发送最重要的参数。这两种方法都能显著减少传输的数据量，而不会显著影响模型性能。
另一种有效的策略是实施稀疏更新。设备可以仅对影响较大的有限数量的参数发送变化，而不是发送所有模型参数的更新。这可以通过像稀疏的联邦平均这样的技术实现，其中仅通信超过某个阈值的更新。此外，自适应通信策略旨在优化何时以及多少数据进行通信。例如，设备可以在积累到一定数量的有意义更新后再发送，或者根据网络条件调整通信频率。这些技术共同作用，以最小化通信开销，同时维持学习过程的完整性。