本文提出了一种二值化多任务密集预测器（Bi-MTDP）来加速多任务密集预测模型，并保持或提高模型性能。通过深度信息瓶颈层和知识蒸馏机制解决二值化带来的性能下降问题。实验结果表明，Bi-MTDP在加速模型和提高性能方面取得了良好效果。

该研究提出了一种新的联邦学习框架，通过发送全局梯度估计的加速模型来改进服务器端聚合步骤的稳定性。实证研究证明该方法在精度和通信效率方面相对于现有方法具有显着性能优势。