标签
本文认为联邦学习并非针对提取式AI的完整解决方案，重点讨论创意社区的治理层次，并提出一个治理模型和联邦的数据公地的设计原则。
本文提出了SAPE-FL，一种基于相似性的个性化联邦学习框架，通过将模型锚定到全局模型和对等平均模型来适应异构环境，从而提高鲁棒性和性能。
本文基准测试了联邦LoRA适配BiomedCLIP在四个国际队列中的胸部X光分类性能，展示了相比未适配模型的性能提升，并接近集中式训练结果。
FedRoRA是一种新颖的个性化联邦LoRA微调框架，通过将自适应解耦为共享全局方向和个性化幅度，解决了联邦学习中的秩异构和数据异构问题。
本文提出了CRAD，一种用于去中心化联邦学习的基于类别的可靠性感知蒸馏方法，以处理异构架构和非独立同分布数据，在图像分类基准测试上实现了更高的准确率。
本文提出了一种新颖的自洽中点聚合方法，用于实现稳定的量子联邦学习，解决了数据异质性和量子噪声等挑战，并在真实量子机器上进行了验证。
文章讨论了使用 NVIDIA FLARE 构建联邦多模态 AI 工作流，通过外部化和张量流等技术解决分布式数据带来的挑战，优化模型分布并减少内存需求。
本文证明，在联邦学习的随机SCAFFOLD中，客户端平均抑制了主导的平稳偏差，但由于控制波动和非二次曲率，留下了一个与客户端无关的二阶偏差分量。
本文提出了一种通信约束下去中心化学习的统一框架，引入了DMFL-SQ算法。该算法结合了基于图的个性化、无关公平性和压缩通信，以在保持预测性能并提升客户端间公平性的同时减少通信开销。
FedCMAPSS 基于 NASA C-MAPSS 数据集，引入了一个用于剩余使用寿命估计的联邦学习基准，包含标准化任务以评估跨神经架构的联邦优化算法。
本文分析了联邦学习系统中对抗攻击的可转移性，并提出了一种基于对抗训练的防御机制以增强模型鲁棒性。
Flower Hub 是一个可复现的联邦学习基准测试平台，支持在模拟和部署运行时环境中执行和评估任务。
Thermo-FL是一个用于边缘设备上大语言模型的联邦LoRA微调框架，它利用设备温度来调节训练和传输，并结合一种鲁棒的聚合方法以抵御对抗性攻击，从而增强稳定性和性能。
本文提出FlatLand，一种个性化联邦学习方法，该方法利用双曲几何中的定制洛伦兹空间来处理客户端间异构图结构，从而提升隐私保护协作训练的性能。
FL-MAESTRO引入了一个多智能体LLM编排器，以联合优化联邦学习中的通信拓扑、资源分配和聚合规则，显著减少浪费的能源，并提高资源受限边缘设备的效率。
本文提出FedCurv-DR，一种轻量级的联邦持续学习方法，旨在减少遗忘并平衡性能、公平性和能效，以实现文化遗产应用中的可持续AI。
这条推文描述了联邦学习作为一种隐私保护方法，用于在数据孤岛间训练共享AI模型而无需移动原始数据，强调了合规性的架构决策，并提到使用Hoppscotch进行API测试。
FedLNS是一个服务器端框架，使用LayerNorm签名来筛选联邦学习中语言模型的恶意更新，增强对对抗性操纵的鲁棒性。
本文研究低预算环境下的联邦主动学习，揭示了由于异质性反转，同质数据需要更强的协调。它提出了一种利用联邦表示学习的框架，以实现全局协调的主动选择，性能优于现有方法。
FedPref 引入了一种联邦偏好学习方法，用于结构化放射学报告提取，允许机构在不共享数据的情况下协作，同时通过模拟医院的F1分数提升来提高提取准确性。