本文提出了一种名为DivShare的异步学习算法，旨在解决去中心化学习中计算或通信延迟较大的节点问题。通过模型碎片化并并行发送参数，DivShare显著提高了模型收敛速度。在CIFAR-10数据集上的实验表明，准确率提高了19.4%，测试损失降低了9.5%。

该文介绍了一种用于预测知识图谱中缺失实体类型的方法，即 KGET。该方法通过引入多个辅助关系提高 KG 嵌入方法的表达能力，并采用异步学习方案进行实体类型预测。实验结果表明，该方法显著改善了 KGE 方法在 KGET 任务上的性能，并具有显著优势。