标签
本文提出了一种联邦哈希投影潜在因子（FHPLF）模型，该模型将哈希学习集成到联邦学习中，以降低通信成本并增强隐私保护，通过使用二值类梯度矩阵和投影汉明距离来提高准确性和效率。
本文系统评估了联邦学习下三种生存模型（Cox、DeepSurv、RSF）在异质性乳腺癌数据上的表现，发现联邦学习优于本地训练，且RSF在各客户端间提供了最佳性能平衡。
PSyGenTAB是一种隐私保护框架，使用约束优化生成合成临床表格数据，平衡隐私与实用性，同时保留临床关系和少数类模式。
本文介绍了DiSan，一个用于分布式智能体协作的隐私保护文本净化框架。通过将源不变的角色内容与源识别的风格解耦，DiSan在多智能体RAG基准上将PII暴露降低20倍，同时保持83%的回答忠实度，优于传统的掩码方法。
MedLatentDx提出了一种用于跨医院罕见病诊断的潜在多智能体通信框架，利用潜在KV块共享诊断证据而不暴露临床文本，并引入了CrossRare-Bench基准测试。
本文对联邦持续学习（FCL）进行了全面综述，这是一个新兴领域，结合了联邦学习与持续学习，旨在实现分布式与非平稳数据上的终身、自适应且隐私保护的学习。文章提出了一种分类体系，回顾了应用、评估指标及开放挑战。
本文提出了将多模态多任务联邦基础模型（M3T FedFMs）集成到车辆网络中的愿景，讨论了训练原理、应用场景、挑战以及基于Waymo开放数据集的案例研究。
InfoShield 提出了一种基于信息论优化的隐私保护语音表示方法，用于心理健康筛查，在减少敏感属性推断的同时保持诊断准确性。一种新颖的 TimeAwareMINE 估计器解决了时序语音中的时静态错位问题。
本文提出了一种本地部署的基于RAG的学术咨询系统，该系统将大型语言模型与结构化教学大纲数据的检索相结合，以在保护隐私的方式下支持课程选择和个性化学习规划。
LLM-FACETS 是一个开源评估框架，旨在帮助从业者评估LLM的透明度与问责制，重点关注隐私和数据流透明度。它提供浏览器界面和插件架构，支持多种审计机制，包括令牌级对数概率可视化和 RAG Triad 指标。
本文提出CE-FedGNN，一种联邦图神经网络框架，通过不频繁地交换具有度量差分隐私保证的聚合节点表示，实现通信效率和隐私保护，并在基准测试上展示了强劲的性能。
Chromium团队为Web平台提出了一种新的嵌入API，允许开发者利用Chrome的AI基础设施在设备端生成向量嵌入，从而实现保护隐私的语义搜索、检索增强生成和内容聚类，同时降低延迟和成本。
PrivFusion 是一个隐私保护的多智能体框架，可在联邦训练之前自动协调跨机构的结构化数据集，从而减少人工工作量，并实现对敏感临床数据的协作分析。
本文介绍了FederatedRSF，一个用于联邦随机生存森林的Python包，它能处理跨机构的部分重叠医学数据而无需共享原始数据，并在乳腺癌数据上展示了与集中式训练相当的性能。
本文提出了一种面向移动设备的隐私保护联邦推荐系统，采用两阶段流水线，包括候选生成和排序，通过 Kotlin Multiplatform 在 Android/iOS 上实现。
本文介绍了FIRMA，一种包含三种隐私保护联邦学习协议的系列方案，采用斐波那契加权环聚合，实现了无服务器运行、永久隐私的分类头以及在数据异构性下提高准确率。
提出了M²FedAQI，一种轻量级多模态联邦学习框架，用于跨异构边缘设备的空气质量预测，在基准数据集上相比基线取得了显著改进。
本文介绍了AgentStop，一种轻量级的监督器，能够预测并提前终止那些不太可能成功的本地AI代理轨迹，从而将能源浪费减少15-20%，同时几乎不影响任务性能。
本文证明，小型开放权重LLMs（参数小于30B）能够实现具有竞争力的可解释翻译质量评估，包括MQM错误标注和修正，与更大的专有模型相媲美，同时保护数据隐私。