La predicción de defectos de software es una parte importante del desarrollo de software, que tiene como objetivo utilizar datos históricos existentes para predecir futuros defectos de software. Enfocándose en el rendimiento del modelo y la eficiencia de comunicación de la predicción de defectos de software entre proyectos, este documento propone un algoritmo eficiente de metaaprendizaje federado basado en comunicación (ECFML). La red MobileViT liviana se utiliza como metaaprendiz del algoritmo de Meta-Aprendizaje Agnóstico de Modelo (MAML). Al aprender conocimientos comunes sobre los datos locales de múltiples clientes, y luego ajustar el modelo, se reduce el número de iteraciones innecesarias, y se mejora la eficiencia de comunicación al tiempo que se reduce el número de parámetros. El modelo de información de gradiente se encripta utilizando la privacidad diferencial del mecanismo de Laplace, y el presupuesto de privacidad óptimo se determina a través de experimentos. Los experimentos en tres conjuntos de datos públicos (AEEEM, NASA y Relink) verificaron la efectividad de ECFML en términos de cantidad de parámetros, convergencia y rendimiento del modelo en la predicción de defectos de software entre proyectos.