Аннотация. Одной из ключевых услуг сетей связи шестого поколения является телеприсутствие, предъявляющее повышенные требования к качеству обслуживания. Современным и будущим коммуникационным инфраструктурам характерна высокая степень гетерогенности. В связи с этим обеспечение стабильного уровня качества обслуживания представляет собой сложную задачу, требующую комплексного подхода и инновационных решений. Традиционные методы управления, такие как статическое назначение приоритетов или адаптивные алгоритмы, не обладают достаточной гибкостью, а централизованные подходы машинного обучения сопряжены с рисками конфиденциальности и высокой нагрузкой на сеть. Целью настоящей работы является систематизация и сравнительный анализ методов федеративного обучения, применяемых для прогнозирования и оптимизации качества обслуживания в гетерогенных сетях телеприсутствия. Сущность предлагаемого в статье подхода заключается в авторской классификации методов федеративного обучения, за основу которой взяты два критерия: архитектурная организация и способ адаптации к гетерогенности. Для каждого класса приведены детальные описания, выделены сильные и слабые стороны. Принцип сравнительного анализа строится на сопоставлении подходов по ключевым показателям: точность прогнозирования, скорость сходимости, коммуникационные задержки, конфиденциальность, вычислительная нагрузка на устройства, устойчивость к гетерогенности, сложность реализации и безопасность. Анализ выполнен на основе данных из рецензируемых источников и позволил выявить количественные преимущества сравниваемых показателей (например, сокращение раундов обучения на 1,91--38,89 % и снижение коммуникационных задержек на 9,52--40,00 % для иерархической архитектуры MultiFed). Экспериментальные данные, представленные в анализируемых работах, подтверждают, что федеративное обучение обеспечивает баланс между прогностической точностью, конфиденциальностью и масштабируемостью, причем выигрыш наиболее заметен для устройств с гетерогенными данными. Научная новизна состоит в предложенной классификации методов федеративного обучения и систематизации их преимуществ и ограничений применительно к специфике сетей телеприсутствия, что позволяет обоснованно выбирать архитектуру в зависимости от сценария использования. Практическая значимость определяется сформулированными авторами рекомендациями по выбору методов федеративного обучения для различных условий (региональная гетерогенность, ограниченные ресурсы устройств, жёсткие требования к задержкам), что может быть использовано при проектировании и эксплуатации сетей связи.

Abstract. Telepresence is a key service in sixth-generation networks, placing stringent quality of service requirements on them. Current and future communications infrastructures are characterized by a high degree of heterogeneity. Ensuring a stable level of quality of service is therefore a complex task requiring an integrated approach and innovative solutions. Traditional management methods, such as static prioritization or adaptive algorithms, lack sufficient flexibility, while centralized machine learning approaches are associated with privacy risks and high network load. The aim of this paper is to systematize and comparatively analyze federated learning methods used to predict and optimize quality of service in heterogeneous telepresence networks. The essence of the approach proposed in this paper lies in the author's classification of federated learning methods based on two criteria: architectural organization and the method of adaptation to heterogeneity. Detailed descriptions are provided for each class, and strengths and weaknesses are highlighted. The comparative analysis is based on comparing approaches based on key metrics: forecast accuracy, convergence rate, communication delays, privacy, device computational load, heterogeneity resilience, implementation complexity, and security. The analysis was based on data from peer-reviewed sources, which allowed us to identify quantitative advantages (e.g., a 1.91--38.89% reduction in training rounds and a 9.52--40.00% reduction in communication delays for the hierarchical MultiFed architecture). Experimental data presented in the analyzed papers confirm that federated learning provides a balance between predictive accuracy, privacy, and scalability, with the gains being most noticeable for devices with heterogeneous data. The scientific novelty lies in the proposed classification of federated learning methods and the systematization of their advantages and limitations as applied to the specifics of telepresence networks, which enables an informed choice of architecture depending on the use case. The authors' practical significance lies in their recommendations for selecting a federated learning method for various conditions (regional heterogeneity, limited device resources, and stringent latency requirements), which can be used in the design and operation of communication networks.