方向：尽可能多的将计算放在终端设备中进行，减少各终端之间的数据传输。
联邦学习效率优化主要就是从算法层面和通信层面来着手，在算法计算和通信两大因素中，通信效率的优化要比计算性能的优化复杂和困难得多，因此，当前联邦学习效率的优化主要方向是尽可能多的将计算放在终端设备中进行，以此减少各终端之间的数据传输。
效率是指在保证模型性能不下降的前提下，有效提升联邦学习的训练效率，它是影响联邦学习落地的一个重要因素，其中模型计算和通信传输是影响联邦学习效率的主要原因。
特点说明
横向联邦学习特点：数据的特征维度相同，通过联邦学习聚合更多的数据样本，解决单边建模数据量不足的问题。
纵向联邦学习特点：数据样本的ID是一致的，数据的特征不同，使用联邦学习丰富样本的特征，从而更精准的刻画样本。