针对稀疏多元回归和条件高斯图形模型，在非平衡分裂设置下，提出了一种分布式估计和推理框架。当来自不同来源的数据集无法在一台机器上聚合时，或者当可用机器具有不同的能力时，就会出现这种类型的数据拆分。在本文中，协变量、响应和机器的数量随着样本量的增加而增加，同时还引入了稀疏性。在每台机器上提出了系数矩阵和精度矩阵的递减估计，并提供了理论保证。此外，还提出了新的聚合估计器，该估计器使用伪对数似然函数跨机器汇集信息。结果表明，随着机器数量随样本大小的增加，它们具有效率和渐近正态性。通过仿真研究和实际数据示例，研究了这些估计器的性能。经验表明，这些估计量的性能接近于使用整个数据集的非分布估计量。