该研究提出了DP2FL框架，旨在解决个性化联邦学习在有限本地数据下的模型性能不足问题。通过双提示和自适应聚合策略，显著提升了模型的泛化能力，并有效整合新客户。实验结果表明，该框架在高度异构环境中表现出良好的有效性。

本研究提出了一种MGCAT模型，用于恢复复杂轨迹。该模型通过构建复杂感知语义图，自适应地聚合多视图图特征，并对关键节点进行更高的关注。实验证明，MGCAT模型在处理复杂轨迹时具有更好的性能，整体F1得分提高了5.22％，对于复杂轨迹特别是F1得分提高了8.16％。