English(EN) Solution-space heterogeneity shapes federated learning dynamics across partial differential equations

新协议解决 PDE 联邦学习中的数据异质性问题

作者 PulseAugur 编辑部 · [1 个来源] · 2026-09-07 04:00

开发了一种名为 PDE-Dirichlet 的新协议，以解决涉及偏微分方程 (PDE) 的科学机器学习任务中联邦学习的数据异质性问题。该协议使用最优输运量化客户端分离，并建立了分配异质性与优化发散之间的联系。在各种 PDE 任务和神经算子族上的实验表明，异质性增加会导致解距离和优化分散度增加，在低粘度 Burgers 方程中观察到最显著的影响。 AI

影响为科学机器学习中非独立同分布联邦学习的评估引入了一种标准化方法，有可能提高模型的鲁棒性和泛化能力。

排序理由详细介绍联邦学习新协议的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

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

本文如何被排名

Signal score: 27 / 100; Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket: Tool; 详细介绍联邦学习新协议的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]
Source corroboration: Single-source cluster; Only one publisher covered this so far. Single-source stories can still rank when the publisher is high-authority, but they lack cross-source corroboration.
Topics: paper, infra; Editorial topic classification. Feeds into how the story surfaces on /topic/<slug> hub pages and into the per-entity coverage mix.
AI-industry relevance: High; Clearly on-topic for AI-industry coverage.
Story freshness: Breaking (< 6h); Fresh story with cross-source coverage still developing. Ranking may shift as more sources report.

完整方法见我们的编辑标准。

报道来源 [1]

arXiv cs.LG TIER_1 English(EN) · Ping Luo, Jiahuan Wang, Ziqing Wen, Tao Sun, Dongsheng Li · 2026-09-07 04:00

解空间异质性塑造偏微分方程的联邦学习动态

arXiv:2609.05012v1 Announce Type: new Abstract: Federated scientific machine learning enables institutions to train neural surrogates without centralizing local physical data, yet studies of partial differential equations (PDEs) lack a transferable definition of non-independent a…

本文如何被排名

报道来源 [1]

解空间异质性塑造偏微分方程的联邦学习动态

相关实体

相关话题