本研究探讨了如何提高对研究机构在可持续发展目标（SDGs）贡献评估的准确性。通过自回归大语言模型，研究发现小型本地模型能够有效区分相关学术贡献与偶然匹配的文献，从而改善SDG相关研究指标的评估。

本研究探讨了联邦学习中的贡献评估问题，提出了新方法ShapFed，利用Shapley值评估参与者贡献，并提出加权聚合方法ShapFed-WA，特别在类别不平衡场景中表现优越。同时，回顾了垂直联邦学习中的贡献评估技术，提出FLContrib框架，以评估客户贡献并平衡准确性与效率，旨在提升联邦学习的效用、公平性和效率。