Distributional MIPLIB是一个用于推进基于机器学习引导的MILP方法研究的多领域问题分布库。通过分类和评估现有工作和未使用的实际问题，提供了全面的研究便利。实证结果表明，使用Distributional MIPLIB作为研究工具可以在数据有限且能推广到较大实例时实现更好的性能。

联邦学习（FL）通过在分散的客户设备上进行训练来增强数据隐私。然而，FL面临非独立同分布数据的挑战，可能导致性能下降和收敛障碍。本研究解决了多领域FL的关键问题，其中客户数据来自具有不同特征分布的不同领域。提出了一种名为FedWon的新方法来解决FL中的多领域问题。FedWon在FL中消除了所有标准化，并通过缩放权重归一化重新参数化卷积层，以解决批归一化面临的挑战。与FedAvg和当前最先进的方法（FedBN）相比，FedWon在所有实验设置中表现优异，某些领域的改进超过10％。此外，FedWon可以处理具有扭曲标签分布的情况，即使批量大小为1，也能表现出强大的性能，并且对于跨领域和跨设备的FL非常灵活。