本研究提出了FedDense框架，解决了联邦图学习中的内在结构知识利用不足问题。实验证明FedDense在多个数据集上表现优于基线，且资源消耗较少，具有良好的应用潜力。

本研究提出了一种名为多尺度时空自注意力网络的混合模型，通过使用自注意力图卷积网络技术，有效提高了建模能力，并在多个数据集上取得了最先进的结果。该模型利用自空间和自时间注意力模块分别研究帧内身体部位之间的关系和节点帧之间的相关性。通过多尺度卷积网络捕获节点的长程时空依赖关系，并使用 softmax 分类器输出预测的动作。

该研究提出了一种在线知识蒸馏的新方法，通过对比损失保证了参与者在不共享输入数据的情况下学习相似特征。该方法在多个数据集上进行了性能测试，相比独立学习和其他联邦知识蒸馏方案，提高了模型的效用。

本文提出了一种半监督学习方法，使用自我训练在未标注数据上生成伪标签，实现像素级准确模型，同时提出了快速训练计划。在多个数据集上取得最优表现。