Con el desarrollo de la tecnología de comunicación móvil y la proliferación del número de dispositivos terminales del Internet de las Cosas (IoT), está surgiendo una gran cantidad de datos y aplicaciones inteligentes en el borde de Internet, lo que genera la demanda de inteligencia en el borde. En este contexto, el aprendizaje federado, como un nuevo método de aprendizaje automático distribuido, se convierte en una de las tecnologías clave para realizar la inteligencia en el borde. Las redes de inteligencia en el borde tradicionales suelen depender de estaciones base de comunicación terrestres como servidores de parámetros para gestionar las tareas de comunicación y computación entre dispositivos. Sin embargo, esta infraestructura fija es difícil de adaptar al complejo y cambiante entorno de red heterogéneo. Con su alto grado de flexibilidad y movilidad, la introducción de vehículos aéreos no tripulados (UAV) en el marco del aprendizaje federado puede proporcionar servicios mejorados de comunicación, computación y almacenamiento en caché en redes de inteligencia en el borde, pero la limitada ancho de banda de comunicación y el entorno de comunicación poco fiable aumentan la incertidumbre del sistema y pueden llevar a una disminución de la eficiencia energética general. Para abordar los problemas mencionados, este documento diseña un aprendizaje federado asistido por UAV con un método de compartición de datos que preserva la privacidad y es eficiente, Comunicación eficiente y Protección de la privacidad para FL (CP-FL). Se propone un método de entrenamiento de poda que esparce la red basado en un mecanismo de importancia de canal para transformar el proceso de entrenamiento de poda en un problema de optimización restringido. Se propone un método de entrenamiento consciente de cuantización para automatizar el aprendizaje de los anchos de bits de cuantización para mejorar la adaptabilidad entre características y precisión de representación de datos. Además, se aplica la privacidad diferencial a los datos de enlace ascendente sobre esta base para proteger aún más la privacidad de los datos. Después de que los parámetros del modelo se agregan en el UAV piloto, el modelo se somete a destilación de conocimiento para reducir la cantidad de datos de enlace descendente sin afectar la utilidad. Los experimentos en conjuntos de datos del mundo real validan la efectividad del esquema. Los resultados experimentales muestran que, en comparación con otros marcos de aprendizaje federado, el enfoque CP-FL puede mitigar efectivamente la sobrecarga de comunicación, así como la sobrecarga de computación, y tiene la misma ventaja sobresaliente en términos de equilibrio entre privacidad y usabilidad en la preservación de la privacidad diferencial.