تعتبر تقنيات التعلم الفيدرالي التقليدي عملية تعتمد على تبادل النماذج في جولات متعددة بين الخادم والعميل، وهي عملية قد تتطلب تكاليف اتصالات عالية وتعرض الخصوصية لمخاطر نتيجة التكرار في نقل النماذج. لكن، جاءت فكرة التعلم الفيدرالي أحادي الجولة (One-Shot Federated Learning - OFL) لتكون بمثابة الحل الأمثل، حيث تخفف هذه الطريقة من صعوبات الاتصال عبر تقليل عدد الجولات إلى جولة واحدة فقط، مما يسهل التطبيق العملي ويقلل من التكاليف.

رغم ذلك، تعاني معظم الطرق الأحادية من قيود معينة، مثل الاعتماد على وجود مجموعة بيانات عامة أو افتراض أن نماذج العملاء متجانسة، أو الحاجة إلى رفع بيانات إضافية أو معلومات عن النماذج. لمواجهة هذه التحديات، تم تقديم عائلة Gaussian-Head OFL (GH-OFL) التي تتضمن مجموعة من الطرق الفيدرالية الأحادية التي تفترض Gaussianity الشرطية للفئات من تضمين النماذج المدربة مسبقًا.

في هذه الطريقة، يقوم العملاء بنقل إحصائيات كافية تتعلق بالفئات (مثل عدد الملاحظات في كل فئة واللحظات من الدرجة الأولى والثانية)، بينما يقوم الخادم ببناء رؤوس النماذج من خلال ثلاثة مكونات رئيسية:
(i) رؤوس Gaussian مغلقة الشكل (Naive Bayes / Linear Discriminant Analysis / Quadratic Discriminant Analysis) تحتسب مباشرة من الإحصائيات المستلمة؛
(ii) FisherMix، وهي رأس خطي مدرب على عينات صناعية مستمدة من فضاء فيشر المُقدّر؛ و
(iii) Proto-Hyper، وهو رأس منخفض الرتبة يقوم بتنقيح الإخراجات Gaussian من خلال تقنيات نقل المعرفة على تلك العينات الصناعية.

أظهرت التجارب أن طرق GH-OFL تقدم أداءً مثاليًا من حيث المتانة والدقة تزامنًا مع وجود انحرافات غير متجانسة (Non-IID) قوية، بينما تبقى خالية تمامًا من البيانات، مما يمهد الطريق لمستقبل أكثر أمانًا وكفاءة في التعلم الفيدرالي.