本研究提出了CoAst方法，解决了联邦学习中评估参与者对模型性能贡献的挑战。该方法通过量化重要参数和基于多轮通信中的参数相似性进行评估，提高了贡献评估的可靠性。实验结果表明，CoAst在评估可靠性上与现有方法相当，并优于无验证方法。

我们提出了一种二维表状相关分析方法，可以从多方位表征数据中提取特征。该方法应用于碳纳米管薄膜数据集，揭示了其层次结构的复杂性。结果显示，相位滞后和参数相似性可以阐明材料中结构变化的序列。这种方法具有潜力在材料分析领域中展示复杂材料行为和性质的潜力。