本專著主要從以下四個方面闡述了聯(lián)邦學習中的異構性問題：系統(tǒng)異構性、統(tǒng)計異構性、模型異構性及聯(lián)邦學習算法的收斂性分析。系統(tǒng)異構性從參與聯(lián)邦學習設備的計算資源和通信資源的異構性角度出發(fā)，分析了聯(lián)邦學習所面臨的問題，并概括了當前最新提出的解決方案。統(tǒng)計異構性從參與設備之間的數(shù)據(jù)質量和數(shù)量差異性角度出發(fā)，概括了最新解決方案，并提出具有前景的研究方案，其中基于類腦神經(jīng)科學的模型更新方案可緩解統(tǒng)計異構性中的災難性遺忘問題，具有較好的研究前景。模型異構性從服務器和客戶端上的模型的差異性角度出發(fā)，概括了當前新穎的研究方法和思路。最后，分析并證明了聯(lián)邦學習的收斂性問題。其中，統(tǒng)計機構性的收斂性問題的證明依然有待解決。