跨块油水层（猫头鹰）鉴定对于石油发育至关重要。由于主要针对人类经验，传统方法受主观因素的影响很大。基于AI的方法促进了猫头鹰鉴定的发展。然而，由于横跨块和严重的长尾分布（阶级不平衡），现有人工智能（AI）模型的识别效应是有限的。在本文中，我们通过提出用于猫头鹰识别的动态融合的联合学习（FL）来解决这种限制。为了克服地质差异，我们向保险丝模型提出了一种动态加权策略并培训一般猫头鹰识别模型。此外，设计了基于F1评分的重加权方案，从理论上导出了新的损失函数来解决数据长尾问题。此外，提出了一种基于地质知识的掩模注意机制来增强模型特征提取。为了我们最好的知识，这是第一个使用FL识别猫头鹰的工作。我们使用来自油田和公共3W数据集的实际井测井数据集评估所提出的方法。实验结果表明，我们的方法显着出现了其他AI方法。

In this paper, we study the \underline{R}obust \underline{o}ptimization for \underline{se}quence \underline{Net}worked \underline{s}ubmodular maximization (RoseNets) problem. We interweave the robust optimization with the sequence networked submodular maximization. The elements are connected by a directed acyclic graph and the objective function is not submodular on the elements but on the edges in the graph. Under such networked submodular scenario, the impact of removing an element from a sequence depends both on its position in the sequence and in the network. This makes the existing robust algorithms inapplicable. In this paper, we take the first step to study the RoseNets problem. We design a robust greedy algorithm, which is robust against the removal of an arbitrary subset of the selected elements. The approximation ratio of the algorithm depends both on the number of the removed elements and the network topology. We further conduct experiments on real applications of recommendation and link prediction. The experimental results demonstrate the effectiveness of the proposed algorithm.

数百万患者患有世界各地的罕见疾病。然而，罕见疾病的样品远小于常见疾病。此外，由于医疗数据的敏感性，医院通常不愿意分享患者信息，以引用隐私问题的数据融合。这些挑战使传统的AI模型难以提取疾病预测目的的稀有疾病特征。在本文中，我们通过提出基于联邦荟萃学习的稀有疾病预测的新方法来克服这种限制。为了提高稀有疾病的预测准确性，我们设计了一种基于关注的元学习（ATML）方法，根据基础学习者的测量培训效果，动态调整对不同任务的关注。另外，提出了一种基于动态权重的融合策略，以进一步提高联合学习的准确性，这基于每个本地模型的准确性动态选择客户端。实验表明，随着五次镜头，我们的方法以准确性和速度为原始联合元学习算法进行了出差。与每个医院的本地模型相比，所提出的模型的平均预测精度增加了13.28％。