标签
对联邦可解释人工智能（FedXAI）的系统性综述，涵盖角色、架构、评估实践和开放挑战。提出了一个多轴分类法，讨论了从模型无关到可解释性设计的方法，强调了标准化和隐私感知评估方面的空白。
提出FedCMM，一个面向多模态大模型的联邦持续学习框架，利用模态感知的弹性权重巩固、本地生成式回放以及任务相似性感知的梯度聚合来缓解灾难性遗忘。
本文提出了因果工作负载——基于正交矩的差分隐私查询集——以实现从合成数据中进行有效的因果推断，并介绍了Causal-AIM和噪声感知多重插补等方法。
FedOPAL 提出了一种框架，将视觉提示适配为特征校正器，用于单次联邦学习，通过解析方法实现高效的无梯度聚合，在零服务器端训练成本下，性能显著优于现有解析方法，并可与迭代方法相媲美。
PRoVeFL 是一个新颖的联邦学习框架，通过使用多密钥全同态加密实现了隐私保护、拜占庭鲁棒和可验证的聚合，相比之前的工作提供了高达100倍的运行时间改进。
StepFM是一个基础模型，仅使用计步器数据进行广谱健康预测，为高频传感器模型提供了保护隐私且可扩展的替代方案。
本文分析了时序网络上去中心化联邦学习中结构和时间异质性的影响，表明忽略这些异质性会导致不切实际的快速收敛，而真实网络会减慢扩散速度。
将联邦学习应用于无人机编队的目标检测，无需集中航拍图像即可实现协作训练，在保护隐私和降低带宽的同时，性能接近集中式训练。
本文介绍了FoGS，一种过滤式生成器混合管道，它从多个生成模型中选择合成样本来改进生存分析训练，在多个数据集上超越真实数据训练，同时保护隐私。
TDGT是一个用于合成表格数据生成的基于Web的工具包，引入了自适应贝叶斯混合合成器（ABMS）算法和混合VAE-ABMS模型，具有GPU加速和全面的保真度评估。
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。