本研究提出了一种新隐私范式，针对现有隐私框架在顺序决策系统中的不足，强调在医疗和自动驾驶等高风险领域开发新理论和机制以有效保护隐私。

该研究探讨了非独立同分布数据和联邦学习中的慢节点/失联节点的挑战，并提出了一种灵活的隐私范式。通过离线数据共享和近似梯度编码技术，提出了一种基于数据驱动的策略，用于减轻标签异质性和客户端慢速运行对联邦学习的影响。通过数值模拟证明了该方法的有效性。