本研究提出了一种新方法HetPFL，旨在解决联邦学习中的性能与公平性权衡问题。通过自适应客户偏好采样和超网络融合，显著提升了Pareto前沿的质量，并证明了其线性收敛性。

通过研究相位恢复问题，提出了一种具有先验结构的正则化项，以推动符合简单性或低复杂性概念的解。研究了无噪声恢复和对噪声的稳定性，并提供了普适的分析框架。给出了达到精确恢复的充分条件和高斯测量映射的样本复杂度界限。在有噪声的情况下，考虑了约束和惩罚形式，并证明了在足够小的噪声情况下的线性收敛性。再次给出了高斯测量的线性收敛样本复杂度界限。

PROMISE是一套基于草图的预条件随机梯度算法套件，用于解决大规模凸优化问题。通过理论分析和默认超参数，实验证实了算法的卓越性能。引入二次正则性概念，建立了方法的线性收敛性。

本文提出了一种强大的聚合方法，用于联邦学习，可以有效地应对恶意拜占庭攻击。每个用户通过多个步骤更新模型参数，然后推送到聚合中心。聚合中心利用几何中位数组合用户的模型参数，并通过严格的证明表明，只要恶意攻击者比例低于一半，我们的方法可以达到零最优间隔和线性收敛性。数值结果验证了方法的有效性。