heterogeneity

本文提出将'单元'作为机器学习中的显式原语，其中学习任务声明持久个体，而监督学习则特化为带有分词的单元条件响应法则。

提出FedTCR，这是首个系统的联邦多模态图学习算法，通过拓扑感知的跨模态路由和三水平对比学习来处理任务、模态和拓扑异质性，在7个领域上优于基线方法。

提出了一种用于痴呆症病因诊断的协作元知识增强（COME）框架，该框架将异质性感知嵌入注入到统一的Transformer架构中，在多个独立队列上实现了最先进的性能。

介绍HERO，一个面向联邦持续学习的异质性感知基准库，它将任务划分、客户端数据划分和客户端任务序列分开，以实现可复现且考虑场景设定的评估。

本文分析了时序网络上去中心化联邦学习中结构和时间异质性的影响，表明忽略这些异质性会导致不切实际的快速收敛，而真实网络会减慢扩散速度。

本文重新分析了一项先前声称低AI素养预测更高AI接受度的研究，发现总体负相关关系掩盖了异质性：对于文本AI工具该效应不显著，但对于非文本AI工具仍然很强，表明是一种更窄的广泛采用模式，而非普遍接受。