像组织一场长期线上会议：有人常来，有人偶尔出现，上线规律还不断变化。如果主持人只汇总每次到场者的意见，结论就会被“更常在线的人”带偏。联邦学习也有类似问题——数据留在手机或机构本地，中央服务器只汇总各方上传的模型更新，但客户端会因断网、电量或作息而缺席。
据 JMLR 论文，作者提出 FedSWE，且服务器无需预先知道客户端不断变化的上线规律。它最关键的思路不是猜谁下一轮会出现，而是补偿错过的计算，让全局更新跨多轮保持稳定并逐步扩散，再用隐式 gossip——可理解为让本地更新间接、均匀地互相混合——降低活跃客户端造成的估计偏差。作者称，相比经典的 FedAvg（把本轮在线客户端的更新加权平均），FedSWE 只增加较轻的内存和计算开销；理论上可收敛到非凸目标的驻点，并仅在某些特殊条件下具备线性加速。论文还在真实数据集和多种掉线动态下做了实验，但摘要未披露具体提升数字。