本文提出了一种高效的近似数据 Shapley 值方法，能够在不同学习设置中提高计算速度，最高可达 9.9 倍。研究表明，该方法在评估数据价值时优于其他方法，有效提升预测器性能。此外，文中探讨了基于概率分类器的 Shapley 值和分布式数据 Shapley 值的应用，提供了新的算法和理论支持。

本文探索了在分布式数据情景下传统机器学习方法在交通事件检测中的潜力，实验证明该方法是一种有潜力的替代方案，具有较强的收敛性保证，同时重新唤起了传统机器学习方法的重要性。

研究发现，联邦学习系统在面对恶意客户端的攻击时更为稳健，这是因为分布式数据上的分散训练和平均操作的影响。这项研究对于理解联邦学习系统的稳健性以及应用中的实际问题具有重要意义。