本文探讨了联邦迁移学习中的数据异构性和隐私保护挑战，提出了“联邦差分隐私”概念，以确保数据隐私而无需中央服务器。研究涉及一维均值估计和线性回归等统计问题，分析了隐私成本与知识迁移的关系，并提出新算法以应对差分攻击，平衡模型性能与隐私保护。

本文研究了联邦学习中的后门攻击防御方法，提出了一种新框架，通过修改局部模型权重注入后门触发器，绕过现有防御。实证研究揭示了现有防御机制的缺陷，并提出了改进建议。同时，介绍了联邦迁移学习（FTL）技术，以提高模型性能并保护用户隐私。研究表明，新防御方法在多种攻击情境下有效，能够抵御后门攻击。

该文综述可穿戴传感器人体活动识别研究，指出现有评估方法在真实场景下准确率显著下降，并介绍融合网络、无监督嵌入、标准化评估、视觉推断传感器位置、自监督设备无关模型、跨身体部位分类及联邦迁移学习等进展，以提升识别准确性与评估标准化。