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。

本文研究了深度学习模型的反向传播收敛性、数据特征对测试准确性的影响以及训练集大小与推广误差的关系。结果显示，模型规模与数据规模之间的关系复杂，难度对测试结果有显著影响。此外，探讨了深度神经网络的学习机制及其鲁棒性，并提出了改进模型性能的建议。

本研究提出了一种高效的深度神经网络训练方法——高效锐度感知最小化（Efficient Sharpness Aware Minimizer），通过随机权重扰动和数据选择策略提高训练效率。实验表明，该方法可节省60%计算资源，同时保持或提升测试准确性，显著改善模型的泛化能力。

本文介绍了BOBCAT框架，通过双层优化学习数据驱动的问题选择算法，显著减少计算机自适应测试（CAT）的长度。研究还探讨了优化算法C-BOBCAT的改进，提升测试准确性和试题曝光率，并提出了动态调整测试难度的方法，以更有效地评估大型语言模型的能力。

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。