Badacze zaproponowali nowe podejście do federated learning z архитектурą push-based i metodą korekcji obciążenia w agregacji danych. Problem dotyczy asynchroniczności - kiedy uczestniczące urządzenia wysyłają aktualizacje w różnym tempie, powstają błędy w agregacji modelu. Nowe rozwiązanie poprawia zbieżność i wydajność training'u rozproszonego, co ma znaczenie dla prywatnego machine learning'u na urządzeniach brzegowych i szkolenia modeli na danych rozproszonych geograficznie.