本研究提出了ForecastCF算法，用于时间序列预测，通过梯度扰动和约束引导实现更优预测。实验结果表明，该算法在反事实有效性和数据流形接近度方面优于基线模型，并能生成有意义的反事实解释。

该文综述联邦学习中的隐私保护研究，重点探讨差分隐私与隐私-效用平衡。涉及ULDP-FL、Fed-SMP、DP-FedSAM等框架，通过梯度扰动、稀疏化、加权裁剪等技术实现用户级或客户端级差分隐私，并利用Renyi DP进行隐私分析。实验表明，这些方法在保证隐私的同时提升了模型准确性和通信效率。