标签
该论文提出了角色感知服务器优化（RASO），一种将贡献者选择与针对不同角色的服务器动量更新相协调的方法，以改善部分模态缺失情况下的多模态联邦学习，并在多个数据集和多种融合架构上验证了其有效性。
一篇学术论文提出了一种相关私有量化方法，用于车联网中通信高效、满足局部差分隐私的联邦强化学习，并结合后量子认证；论文报告称，与独立量化相比，经认证的上行传输数据量减少了92.4%，平均行程时间降低了14.3%。
本文提出「结构性记忆」这一新型漏洞，发现微调后的 MoE 大模型会记忆其内部专家路由路径，攻击者仅凭路由与输出日志即可恢复这些路径，传统成员推断指标因而失效，并提出复合指标来检测被记忆的路由结构。
CrowdGPT v2.6 推出了重大更新，通过众包方式在普通个人电脑上协作训练 10 亿参数的大语言模型，加入拜占庭交叉验证、加密签名与协作数据集，并在 6 天内新增训练了 45 亿个词元。
提出了治理感知联邦学习框架GAFL，为多智能体AI系统在协作训练中加入证据验证、公平性评估、策略执行与防篡改审计日志，并在跨孤岛原型上验证了其对伪造证据与恶意更新的识别能力。
该论文提出了 AuditFL，这是一种由区块链支持、面向开放式联邦学习的清算层。它将训练和聚合保留在链下，同时在链上记录内容标识符和经济状态，使协调方的决策可追责、可审计。在 MNIST 实验中，即使出现客户端掉线和无效更新，该方案仍能保持模型准确率。
论文提出 Geodesic-SVDD 框架，通过球面原型学习和测地线潜在空间混合增强，实现单轮通信的分布式表格数据学习，在多个联邦学习基准上超越现有方法和联邦树集成。
FedSEAM 提出一种联邦持续学习框架，通过子空间专家共识合并（SEAM）在客户端之间选择性共享稀疏专家知识，缓解路由漂移与合并擦除导致的灾难性遗忘，并在 TRACE 基准上使用 Qwen3-4B 和 Llama-3.2-3B 进行了评估。
提出联邦两步合成框架FITS，通过局部线性回归估计条件累积分布函数，并结合连续化方法处理混合类型变量，在联邦设置下生成分布保真的表格合成数据。
神经退行性疾病生物医学研究与 AI 联盟（C-BRAIN）正与 NVIDIA 合作，利用 AI、联邦学习和 GPU 基础设施，挖掘尚未被利用的阿尔茨海默病研究数据，加速科学研究的发现速度，造福全球 5700 万痴呆症患者。
提出 PFDF，一种基于路径依赖的联邦遗忘客户端选择框架，通过 CLP 加权历史记录筛选出与目标客户端弱耦合但全局信息量大的保留客户端，以更少的通信和计算成本实现高效遗忘。
本文将室内无线电地图估计表述为协同上下文学习问题，并提出了 Poly-Ripple 框架。在该框架中，多个客户端无需更新模型，即可使用大型自回归视觉模型，通过波纹顺序自回归建模和重要性感知聚合，实现优于上下文学习（ICL）基线的性能。
LiBRA 提出在联邦学习的拜占庭鲁棒客户端选择中，使用客户端模型的类条件逻辑值指纹代替参数向量，实现了 Krum、Multi-Krum 和 Bulyan 的变体，在保持鲁棒性的同时大幅减少比较次数，且无需访问客户端参数。
本文提出 FederatedBytes，一种采用线性注意力机制、基于字节级且无需分词器的小型语言模型，用于实现高效的多模态联邦学习。在情感分析和 ScienceQA 任务上，其性能优于 ByT5 和 LSTM，同时降低了内存和通信开销。
提出 ATONE 方法，将联邦遗忘嵌入联邦学习的聚合规则中，用于在没有明确遗忘目标的情况下，根据车辆运行症状消除故障或投毒贡献的影响，在三个驾驶数据集上显著优于现有基线。
ShadowFPT 提出了一种针对联邦提示调优（FPT）的后门攻击方法，利用冻结骨干网络的表示空间植入影子触发器，在保持提示更新隐蔽的同时将攻击成功率从 19.81% 提升至 90.36%。研究表明，仅依赖提示更新异常检测的防御措施不足以应对此类攻击。
DeepUnfolding-Agent 论文提出了一个模式驱动的 FastAPI 平台，将深度展开的自适应控制作为外部服务提供，解耦控制器逻辑与领域特定执行，支持经典、量子及混合优化工作流，并通过在 IBM Quantum 硬件上执行得到验证。
论文提出了 Optimal Hydra，一种面向大语言模型微调的模型异构联邦学习框架。该框架通过全局层级选择和基于客户端数据分布的注意力头选择，构建客户端专属子网络（Hydra-nets），在三个数据集上显著优于基线方法，并降低了本地资源需求。
该论文提出了 pFedDPO，一种个性化联邦直接偏好优化方法，其中共享基础模型通过 FedAvg 进行同步，而私有 LoRA 适配器捕捉客户端特定的偏好，与原始 FedDPO 相比，降低了梯度多样性方面的异质性。
提出基于超图消息传递图自编码器（HMP-GAE）的联邦大模型防御框架，通过高阶语义关系建模识别并抑制拜占庭攻击下的恶意模型更新，在Qwen-2.5和Llama-3.2上验证其提升了全局准确率并显著降低语义熵与困惑度。