本文研究了在保护隐私的情况下，如何利用梯度信息选择有利于模型训练的数据。提出了基于Shapley价值和信息增益的奖励方案，并探讨了结合差分隐私和安全多方计算的联邦学习方法，以确保隐私性与预测准确率。此外，研究了隐私保护机制在医疗数据挖掘中的影响，提出了基于全同态加密和标签差分隐私的交互式协议，以提高计算效率。

Adam算法是一种高效的随机优化算法，适用于大规模数据和参数问题，能够处理非平稳目标和稀疏梯度。其超参数易于理解，通常无需大量调整。研究还提出了AdaX算法，能够在训练中积累梯度信息，表现优于Adam。此外，AdaMax和Admeta等变体也显示出在神经网络训练中的优势。