研究探讨半监督图表示学习中语义保留与数据扰动的平衡，提出保留解释的增强（EPA）方法，通过图解释技术生成增强图，确保语义保留和变异性。实验表明，EPA-GRL在多个数据集上表现优于现有方法。

本文探讨了联邦学习中的隐私泄露问题，提出了数据扰动、对抗训练和特征推理攻击等多种防御策略。这些方法有效提升了隐私保护性能，并揭示了现有算法中的隐私漏洞，强调了增强隐私保护的必要性。

本文提出了一种数据扰动方法，通过对面部区域进行像素洗牌和模糊处理，降低面部识别算法的准确性60%，有效保护隐私。同时，研究了多种无监督和自监督学习方法，提升远程光电容积描记术（rPPG）的准确性和鲁棒性，解决了环境干扰问题，展示了在心率估计和生理信号提取中的应用潜力。