标签
本文对各种联邦学习聚合策略进行了全面的实验比较，分析了它们在homogeneous和heterogeneous数据分布下的性能和效率。
开源项目 RuView 利用 WiFi 信号和 AI 技术实现无摄像头穿墙感知，能够实时识别人体姿态、呼吸及跌倒，已在 GitHub 获得大量关注。该项目强调隐私安全，数据完全本地处理，支持通过 ESP32 或 Docker 轻松部署。
本文介绍了一个用于多发性硬化症（MS）脑损伤联邦分析的模拟框架，该框架将图像分割与临床数据分析相结合，在保护患者隐私的同时测试联邦学习方法。
本文介绍了 GCD-FGL，这是一种专为动态环境中的广义类别发现而设计的联邦图学习框架。该框架解决了邻域吸收效应和全局语义不一致性等挑战，从而提高了跨分布式客户端对新类别的检测能力。
本文介绍了 OncoAgent，这是一种专为肿瘤学隐私保护临床决策支持设计的双层多智能体框架。文章详细阐述了结合修正型 RAG、反思安全循环以及针对 AMD 硬件优化的双层 QLoRA 微调的系统架构。
FACTS 引入了一种用于查询聚焦表格总结的智能体工作流，生成结合 SQL 查询和 Jinja2 模板的可复用离线模板，实现快速、准确且隐私合规的总结，无需暴露敏感数据。该方法通过避免昂贵的微调和 token 限制问题，同时保持跨共享模式表格的可扩展性，优于现有基准方法。
本论文评估基于LLM的模拟器作为差分隐私合成数据生成器的能力，使用PersonaLedger来评估LLM是否能够忠实地复现受DP保护角色的统计分布。虽然在欺诈检测效用方面取得了良好成果（在ε=1时AUC为0.70），但该研究发现了由系统性LLM偏差造成的显著分布漂移，该偏差会覆盖输入统计数据。
# 论文页面 - EdgeDetect：用于联邦入侵检测的重要性感知梯度压缩与同态聚合 来源：[https://huggingface.co/papers/2604.14663](https://huggingface.co/papers/2604.14663) ## [https://huggingface.co/papers/2604.14663#edgedetect-importance-aware-gradient-compression-with-homomorphic-aggregation-for-federated-intrusion-detection](https://huggingface.co/papers/2604.14663#edgedetect-importance-aware-gradient-compression-fo