想象几家医院要共同找出几十项体征中最关键的变化模式，却不能把患者记录集中起来。传统分布式 PCA——把大量相关变量压缩成少数主要变化方向——可以让各院只上传本地计算结果；但当变量数接近甚至超过样本数时，估计出的方向可能仍不可靠。
这项工作加入了小波变换：它把带有局部峰值或突变的信号换一种方式表示，让信息集中到少数系数上。每台机器先用小波筛选变化明显的变量，再做稀疏 PCA——让大部分变量权重归零，只保留少数关键项——并对结果设阈值、重新嵌入原维度，最后仅向服务器传送稀疏的主成分摘要。服务器将各节点结果重新正交化、还原到原始信号空间，再统一汇总。
作者报告，在模拟覆盖的全部范围内，新方法始终传输更少的系数；维度超过某个明确门槛后，估计误差也低于其采用的 Fan et al.（2019）分布式方案。论文原文片段未保留具体门槛数值，因此这里不作展开。它的价值不在于证明原始数据绝不会泄露，而在于把高维统计的可估计性与分布式通信压缩放进了同一套流程。