该研究提出了一种新的联邦学习框架，利用无标签的开放数据集和基于蒸馏的半监督学习算法，实现了模型的交流和性能的提高，并通过减少模型之间的异质性来减少熵的平均值。实验结果表明，相对于FL基准，DS-FL能降低高达99%的通信成本，同时达到相似甚至更高的分类准确性。

自我监督学习在使用无标签数据集训练视觉模型方面取得突破。通过在临床病理数据集上进行预训练和下游性能评估，对自我监督学习算法进行基准测试。结果显示，病理数据的预训练对下游性能有益，并且DINO算法在所有测试任务中表现更好。计算病理学研究迈入新时代。

该研究提出了一种耦合优化方法，将有标签和无标签数据集中的图像映射到共享特征空间，实现更高效的一阶段知识转移和无监督的 ReID 模型训练。实验结果表明，该方法在三个大型数据集上的性能均优于现有方法，并且在无监督训练中也表现出色。

本研究提出了统一且灵活的两阶段CSKD范式，通过特征对齐损失整合多源无标签数据集，提升图像审美评估性能。实验证明CSKD在多个IAA基准测试中表现卓越。