PulseAugur
中
实时 10:34:04
English(EN) Towards Privacy-Preserving Federated Prompt Tuning under Data Heterogeneity: A Subspace-Decomposed Expert Approach

新的FedSEPT方法增强了视觉语言模型联邦提示调优的隐私保护能力

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员推出了一种新颖的联邦提示调优方法FedSEPT，用于视觉语言模型，该方法增强了隐私保护并解决了数据异构问题。该方法利用子空间分解专家建模，创建具有共享低秩因子和私有残差的多个提示专家，将通信和隐私噪声限制在紧凑的因子空间内。此外，FedSEPT还采用了实例感知专家融合，用于自适应专家组合和使用缓存特征进行高效融合。在11个不同基准上的实验表明，在相同的隐私约束下，FedSEPT与现有方法相比，在本地适应性和全局泛化性之间取得了更优的平衡。 AI

影响 在异构环境中，提高了协作模型适应性的隐私保护和泛化能力。

排序理由 该集群包含一篇详细介绍联邦提示调优新方法的 ist 研究论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.CV 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

新的FedSEPT方法增强了视觉语言模型联邦提示调优的隐私保护能力

报道来源 [1]

  1. arXiv cs.CV TIER_1 English(EN) · Yuhua Wang, Xiaodong Li, Yihao Guo, Yuxiang Jia, Qinnan Zhang, Yifan Sun, Hainan Zhang, Yongxin Tong, Zhiming Zheng ·

    面向数据异构下的隐私保护联邦提示调优：一种子空间分解专家方法

    arXiv:2607.21417v1 Announce Type: new Abstract: Federated prompt tuning (FPT) enables collaborative adaptation of vision--language models (VLMs) using lightweight prompts. Existing methods often address heterogeneity and privacy through a split-prompt design under local different…

相关实体

相关话题