本文提出了一种名为FFT增强卡尔曼滤波器（FFTKF）的差分隐私优化方法，旨在解决DP-SGD中噪声导致模型效用下降的问题。FFTKF结合频域噪声塑形与卡尔曼滤波，提升了梯度质量，保持了差分隐私保证，显著提高了测试准确性。

本研究提出了一种方向感知收缩（DASH）方法，旨在解决神经网络在热启动过程中可塑性下降的问题。该方法通过选择性遗忘噪声，提高了模型的测试准确性和训练效率。

FedLoRA是一个基于LoRA调优的模型异构个性化联邦学习框架，实验结果显示其在测试准确性、计算开销和通信成本方面均优于六种最先进的基准方法，准确性提高了1.35%，计算开销减少了11.81倍，通信成本降低了7.41倍。

本文研究了神经切线内核回归中的差分隐私机制，保障隐私的同时保持良好的测试准确性，并在CIFAR10数据集上进行实验证明了NTK回归在有限的隐私预算下具有较高的准确性。

本文介绍了一种适用于卫星星座的机载联邦学习调度方案，通过可预测可见性模式解决间歇性连通性问题，提高测试准确性。

本文介绍了一种基于稀疏通信框架的时间相关稀疏化（TCS）方案，通过寻找联邦学习中连续迭代中使用的稀疏表示之间的相关性，以减少编码和传输的开销，提高测试准确性。

该文提出了“彩票票假设”，即在神经网络剪枝过程中存在幸运的子网络，可以在相似的迭代次数内达到原始网络相当的测试准确性。实验证实了该假设的正确性和幸运初始化的重要性。