标签
本文介绍了基于层的联邦表示学习（SFRL），这是一个通过可学习的层限制映射和二次粘合正则化器来对齐异构局部表示的框架，无需假设共享的全局潜在空间。提出了一种具有收敛保证的分散式算法（Sheaf-FRL），并证明其在与数据异构和模型异构下的协作分类中优于基线方法。
本文介绍了一个范畴论框架，用于通过组合可复用的foundries（基础组件）来构建可验证、局部真值保持的基础模型，该框架在Odyssey系统中实现，并计划于ICML 2026进行教程讲解。
本文开发了一个有限层论框架，通过测量表示语境间的传输和障碍来检测AI智能体的科学理论转变，并在一个旨在区分源语言内部变形与源语言扩展的基准上进行了评估。