本研究提出了COMET模型，解决基因-疾病关联预测中的节点特征整合和异构结构问题。该模型通过构建综合异构网络和多个元路径，利用变换器框架有效聚合信息，从而提高预测精度和鲁棒性，对人类健康研究具有重要意义。

本文介绍了贝叶斯个性化联邦学习（BPFL），分析了不同聚合策略对模型性能的影响，并构建了关键超参数。新方法pFedBayes在个性化模型上表现优异，尤其在非独立同分布数据集上，相较于其他算法有显著提升。此外，研究探讨了贝叶斯联合学习算法及其在异构网络中的应用，展示了其处理客户数据异质性的优势。

本文综述了联邦学习中的客户端选择技术，包括传统的随机选择和面向性能和资源的选择。还讨论了客户端选择在模型安全增强中的应用，以及动态约束和异构网络中的开放问题和挑战。

本文综述了联邦学习中的客户端选择技术，包括随机选择和面向性能和资源的选择。还讨论了客户端选择在模型安全增强中的应用，以及动态约束和异构网络中的问题和挑战。