Федеративне навчання (ФН) пропонує перспективну парадигму для машинного навчання, що зберігає конфіденційність, дозволяючи спільне навчання моделі без централізації необроблених даних. Ця стаття представляє адаптивну стратегію вибору клієнтів та розподілу ресурсів, яка значно покращує ефективність та продуктивність ФН. Запропонований метод динамічно вибирає клієнтів, що беруть участь, на основі якості даних та обчислювальних ресурсів, і оптимізує розподіл ресурсів для прискорення збіжності та підвищення точності моделі, роблячи ФН більш практичним для реальних децентралізованих застосувань.