DW‑FedADMMは、プライム―デュアル連携とクライアント側の動的重みづけを組み合わせた連邦学習フレームワークであり、Androidデバイスのマルウェア検出に適用されます。各クライアントは、直近の検証精度に基づく係数を使い、ローカルモデルをグローバルモデルと過去に補正した状態の重み付き線形結合として初期化します。この係数は、最高精度に対する相対値として定義され、ベスト精度が小さい場合は1が採用されます。重みづけを行った上で、上位の更新は拡張ラグランジュ付きで調整され、デュアル変数がローカルとグローバルモデル間の不一致を抑制します。

実験では、疑似同質（IID）データシャードを用いてMalgenome、TUANDROMD、Drebinの3つのマルウェアデータセットで18の構成（クライアント数・通信ラウンドを変える）を評価しました。DW‑FedADMMは、平均精度が95.42 %でベンチマークFedADMM（95.32 %）を上回り、全構成のうち9つで最高精度を達成しました。特にDrebinでは、平均精度が97.64 % ± 0.20 %で、FedAvg（97.15 % ± 0.21 %）とFedADMM（97.09 % ± 0.67 %）を凌駕しました。

誤検知率も低減され、全データセット全体で平均FPRが10.86 %と最も低く、FedADMM（11.07 %）とその他の平均を取る手法（24–34 %）に比べて大きな差を示しました。さらに、クライアント更新ノルム（0.2097）が最小で、ウィンドウサイズが大きい場合でもモデルの変動が小さいことが示唆されます。

ただし、現在の実験はIID分割のみを対象としており、ノン‑IIDデータ（ラベル偏り・量的偏り・異なるマルウェアファミリー等）での振る舞いは検証されていません。また、動的係数は各ラウンドで固定され、適応的またはイベントトリガー型通信は実装されていないため、通信効率向上の余地があります。