标签
本文介绍了目标说话人遗忘ASR（TSU-ASR），并提出了一种新颖的注册条件门控模块，用于在基于LLM的ASR中推理时动态退出说话人，以增强在线会议的隐私性。
本文提出了一种用于AnDE分类器的联邦学习框架，通过避免传输语义上有意义的参数来增强隐私，并在离散数据集上证明了其有效性。
介绍了DP-SPIN，一个差分隐私框架，用于文本数据中语义概念的聚合测量和总结，并在CFPB、Amazon和Yelp数据集上进行评估。
本文证明了在平滑性和有界梯度噪声假设下，带裁剪和加性噪声的随机梯度下降（包括动量变体）几乎必然收敛，为凸和非凸环境中的稳定训练提供了理论基础。
RAPTOR是一个角色感知的框架，用于专家混合模型的差分隐私微调，解决了诸如裁剪干扰和噪声稀释等失败模式，并在实验中显示出相对于标准差分隐私基线的改进。
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。
Perplexity为其Mac应用引入混合计算，使本地模型能够对敏感数据进行推理，同时将部分计算卸载到云端，这标志着透明本地AI使用的趋势。
IsleNet引入了一种基于空间熵的分区方法用于时空图遗忘，能够在满足隐私法规的同时，以低计算成本实现精确数据删除并保持高精度。
该论文研究了融合差分隐私任务模型时遇到的几何挑战，并提出了DP-Merging框架，在维持隐私保障的同时增强了模型的可融合性。
该研究揭示了大语言模型在机器遗忘方面的显著差距，表明对抗性评估能够揭示遗忘信息的可恢复性，即使在使用强标准指标的情况下，凸显了对抗性压力测试的必要性。
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。
FedImp是一种新颖的联邦学习算法，它使用基于杂质的加权来提升非独立同分布数据设置下的收敛速度，与基线方法相比，在通信轮次上显示出显著减少。
本文对联邦提示学习（FPL）进行了全面综述，回顾了将联邦学习与大型语言模型相结合的进展，讨论了动机、权衡和未来的研究方向。
论文提出了AdaPop，一种基于自适应流行度的大语言模型遗忘方法，它根据事实频率调整梯度压力，以提高遗忘效果并减少查询下的信息泄露。
本文针对基于数字孪生的车载自组网，提出了一种层次化联邦迁移学习（HFTL）方法，通过车辆聚类和数据质量评分机制来解决数据异质性和稀疏性问题，并抵御恶意车辆的攻击。
本文首次系统研究了基于SpeechLLM的端到端ASR系统的联邦训练，在英语和意大利语任务上进行了评估，在降低通信成本的同时取得了具有竞争力的词错误率。
DP-FedSOFIM 将曲率估计移至差分隐私联邦学习中的服务器端，在 O(d) 客户端内存下实现与 DP-FedGD 相同的隐私保证，并在早期轮次获得显著的准确率提升。
本文提出OrchNAS，一种能量感知的个性化联邦边缘智能框架，该框架利用神经架构搜索服务自动为异构边缘环境设计服务自适应模型，解决能量约束和统计异质性问题。
OpenWorker 是一个开源 AI 代理，它能执行诸如起草文档、发送消息和管理日历等任务，利用本地数据并支持多种模型。
介绍了RELIC，一种通过揭示原理在多智能体规划中学习可解释且可组合技能的框架，实现了隐私保护的协调和跨智能体技能迁移，无需共享代码。