本文提出了一个通用的框架，利用迁移学习和知识蒸馏等方法，使得联邦学习在每个参与者拥有自己的数据和独特的模型的情况下也能够实现。在试验中，该框架在MNIST/FEMNIST和CIFAR10/CIFAR100数据集上使得个体模型的测试准确度平均提高了20％。

本文提出了一个通用的框架，利用迁移学习和知识蒸馏等方法，使得联邦学习在每个参与者拥有自己的数据和独特的模型的情况下也能够实现。试验结果显示，该框架平均提高了个体模型的测试准确度20％，仅有少数几个百分点的下降。

本文提出了使用注意力特征融合的通道重新校准方法进行DeepFake Audio检测，并改进了Resnet模型的输入特征嵌入方式。经过训练，模型在Fake or Real数据集上获得了95％的测试准确度，并在使用不同的生成模型生成样本后适应该框架后，达到了90％的平均准确度。