本文提出了一种新型的数据重构攻击框架，针对联邦学习中的图像分类任务。作者设计了一种基于语义级数据重构的新方法，并与传统方法进行了比较。结果表明，需要重新审视和重新设计现有联邦学习算法中的数据隐私保护机制。

本文介绍了一种名为ConViT的混合卷积-自注意力神经网络，通过门控位置自注意力机制，在图像分类任务上表现出优异性能和更高的样本效率，并提高了对定位特征的注意力。

本研究分析了不完美通信渠道对分散式联邦学习（D-FL）的影响，并确定了每轮训练的最佳本地汇总次数。实验证实了收敛分析，并在图像分类任务中确定了最佳的本地汇总次数。结果显示，具有最佳本地汇总次数的D-FL可以提高10%以上的训练准确性。

本文介绍了一种名为MCUFormer的硬件算法协同优化方法，用于在内存有限的微控制器上实现图像分类任务。该方法通过考虑降维尺寸和补丁分辨率来扩展搜索空间，并通过操作符集成、补丁嵌入分解和令牌覆写等方法构建推理操作库。实验结果表明，在STM32F746微控制器上，MCUFormer实现了320KB内存的ImageNet图像分类任务的73.62％的Top-1准确率。