事件风暴是一种协作建模方法，通过识别领域事件帮助团队理解业务流程。由Alberto Brandolini提出，强调开发者与领域专家的合作，利用便利贴记录事件以达成共识。事件风暴分为大图探索、流程建模和软件设计三个层次，旨在解决传统需求分析中的信息不对称和缺乏全局视角的问题，从而提高开发效率。

该研究提出了一种基于XGBoost模型的新颖联邦学习（FL）框架，通过安全的协作建模实现多方可访问但隐藏数据的收集，通过贝叶斯优化实现模型的超参数调优。研究证明FL-XGBoost方法在地能量领域的二元分类问题中取得了合适的平衡，FL模型展现了优越的准确性和泛化能力。对于数据有限或相关性较低的参与者而言，相比于单独模型，FL提供了显著的隐私优势。FL协议内的聚合优化方法在超参数调优方面表现有效。这项研究开辟了通过协作和隐私保护的FL技术评估非传统储层的新途径。