提出了一种名为 KoReA-SFL 的新型 Split Federated Learning 方法，通过多模型聚合机制减轻因异构数据引起的梯度发散，并采用知识重放策略解决灾难性遗忘问题。KoReA-SFL 在云服务器中维护多个分支模型部分，用于局部训练和分支部分之间的知识共享，在非独立同分布和独立同分布的情况下实验结果表明，KoReA-SFL 相较于传统的 SFL...

该文章介绍了一种将测试时适应性整合到迭代扩散反转过程中的框架，通过扩散网络和时间噪声模型来探索退化视频剪辑中的帧相关信息。实验结果表明，该方法在恢复受天气条件影响的视频方面优于最先进的方法，并在合成和实际世界视频中对未知天气条件具有普适能力。

本文介绍了一种新颖的观点，以显著减轻连续学习中的灾难性遗忘，强调模型保持现有知识和吸收新信息的能力。我们提出了 COgnitive REplay (CORE) 的方法，包括自适应数量分配和质量导向数据选择这两个关键策略。该方法在 split-CIFAR10 上的平均准确率为 37.95%，超过最佳基准方法 6.52%。此外，它还将最差表现任务的准确率相比顶级基准提高了 6.30%。