FedAvg
PulseAugur coverage of FedAvg — every cluster mentioning FedAvg across labs, papers, and developer communities, ranked by signal.
- instance of federated learning 95%
- instance of Gotit.pub 90%
- instance of alphaXiv 90%
- instance of Federated Averaging 90%
- competes with FedProx 70%
- used by DagsHub 70%
- used by CatalyzeX 70%
- used by CIFAR-10 70%
- used by General Data Protection Regulation 70%
- instance of Rodrigo Tertulino 70%
- used by federated learning 60%
- used by Fashion-MNIST 60%
9 天有情绪数据
-
新研究质疑AI监督在欺诈检测中的有效性
一项新近发表在arXiv上的研究探讨了AI监督在网络欺诈决策管理中的有效性，并提出了一个集成了区块链以实现可审计性的决策者-监督者（DS）框架。该研究评估了结合集中式机器学习、联邦学习（FedAvg）以及不同大型语言模型变体（Base和QLoRA）的各种配置。结果表明，AI监督并不总是比主要的AI决策者带来性能提升，反而可能增加运营负担，其益处仅在特定高欺诈场景下，且需特定配置才能显现。研究强调，AI监督的价值取决于角色分配、校准、升…
-
联邦学习框架适应低资源医疗成像站点
研究人员开发了 Fed-ADApt，一个新颖的联邦学习框架，专为医学图像分割设计，能够适应不同机构之间变化的计算资源。该方法允许低资源站点通过调整模型的深度以适应其本地计算预算来参与协作模型训练。Fed-ADApt 在 3D 脑肿瘤分割和 2D 视网膜眼底盘分割方面表现出有竞争力的性能，显著降低了训练成本和推理时间，同时保持了稳健的全局模型准确性。
-
新的PI-SME方法增强了联邦学习中的梯度反演攻击
研究人员开发了一种名为路径积分代理模型扩展（PI-SME）的新方法，以改进联邦学习中的梯度反演攻击。该技术将客户端的模型更新视为梯度场的路径积分，并使用沿可学习贝塞尔曲线的高斯-勒让德求积法进行近似。PI-SME旨在通过分析客户端初始和最终模型状态之间轨迹上的多个点，比现有方法更准确地重建私有输入数据。在CIFAR-100和FEMNIST数据集上的实验表明，PI-SME在各种条件下都能有效地忠实重建私有输入。
-
RIPPLE 框架为联邦学习提供离线聚类
研究人员开发了 RIPPLE，一个新颖的聚类联邦学习框架，旨在解决非独立同分布（non-IID）数据场景下的客户端漂移问题。与将聚类发现集成到训练循环中的先前方法不同，RIPPLE 使用客户端数据的谱表征离线计算聚类分配。该方法涉及小波散射变换（Wavelet Scattering Transform）和高斯混合模型变分自编码器（Gaussian Mixture VAE），通过避免梯度暴露来减少通信开销并增强安全性。该框架确保缺席训练…
-
联邦学习在临床AI模型的时序数据方面面临挑战
研究人员探讨了联邦世界模型学习中的轨迹异质性，重点关注使用MIMIC-IV数据集进行的临床预测任务。他们的研究表明，客户端所有权和参与度显著限制了长时序窗口的覆盖范围，在训练期间只有一小部分可用的32步窗口在本地是完整的。研究还发现，更精细的严重程度划分通常会导致FedAvg算法的错误率更高，而FedProx等其他联邦算法仅显示出最小的、与预测时间范围相关的改进。此外，研究强调算法标签可能会掩盖不同的更新行为和规模差异，这表明需要更细…
-
新分析探讨了 Mamba2 状态空间模型的联邦学习
研究人员开发了应用于选择性状态空间模型（SSM），如 Mamba2 的联邦学习算法的新收敛性分析。现有的联邦学习方法在很大程度上是与架构无关的，并且没有考虑到现代 SSM 的独特特性。该研究推导了 SSM 的面向架构的界限，并在此背景下分析了 FedAvg 和 FedProx 的性能。在 Mamba2 语言建模的各种文本域上进行了实验，以验证这些界限并解释 SSM 联邦学习算法的行为。
-
新的vFedProtoQNAS方法增强了个性化量子联邦学习
研究人员推出了一种新方法vFedProtoQNAS，用于在虚拟联邦学习环境中进行个性化量子神经网络架构搜索。该方法通过允许每个客户端独立训练特定于客户端的量子神经网络来解决设备能力差异的挑战。vFedProtoQNAS不聚合模型参数，而是通过共享类原型促进联邦协作，并使用全局原型作为语义锚点。实验表明，该技术比标准的FedAvg提高了3.70%的准确率，并增强了类一致表示的一致性。
-
联邦学习框架通过不确定性感知增强婴儿运动分析
研究人员开发了一种新颖的联邦学习框架，用于分析婴儿运动，解决了临床环境中的隐私问题。该框架利用不确定性感知联邦平均（UA-FedAvg）算法，根据预测不确定性调整客户端贡献，不确定性使用蒙特卡洛Dropout进行估计。实验表明，与本地模型相比，这种联邦方法显著提高了分类性能，并接近集中式训练的准确性。
-
新的 Agentic Federated Learning 框架增强自适应训练
研究人员推出了一种新的 Agentic Federated Learning (AFL) 框架，通过引入自主代理来增强传统的联邦学习。这些代理，包括客户端代理 (CSA) 和服务器端协调器代理 (SSOA)，可以动态调整本地训练参数、管理客户端参与并适应聚合策略。在 CIFAR-10 上的实验表明，AFL 在准确性、收敛速度和鲁棒性方面优于 FedAvg 和 FedProx 等标准方法，尤其是在非独立同分布 (non-IID) 和嘈杂数据场景下。
-
混合 Gossip-FedAvg 在去中心化组织病理学图像分类中显示出潜力
研究人员比较了三种用于组织病理学图像分类的分布式学习方法：基于服务器的联邦平均法 (FedAvg)、去中心化 Gossip 学习以及结合两者的混合方法。研究使用了超过 277,000 个浸润性导管癌分类图像斑块的数据集，发现混合 Gossip-FedAvg 取得了具有竞争力的 ROC-AUC 0.8811，紧随其后的是 FedAvg。在多次患者级别重复实验中，FedAvg 和混合 Gossip-FedAvg 在平均 ROC-AUC 方…
-
新框架优化医疗中心的联邦学习
研究人员开发了自适应贝叶斯伙伴选择（ABPS），一个旨在改善医疗保健领域联邦学习的点对点框架。该方法通过使临床中心能够根据预测效用智能选择协作者来解决数据异质性和概念漂移等挑战。ABPS使用具有Shapley值和上限置信度准则的贝叶斯方法来管理通信成本并避免负迁移，甚至允许在有益时进行有意隔离。使用MIMIC-IV数据进行的院内死亡率预测实验表明，ABPS-X能够以显著降低的通信开销和可变性匹配强大的联邦基线。
-
新框架为联邦贝叶斯学习模型认证安全性
研究人员开发了一个新框架，用于认证联邦学习场景下贝叶斯神经网络的安全性。该方法称为后验事件传输（Posterior Event Transport），解决了局部安全证书不能直接保证聚合模型安全性的挑战。该框架将局部后验事件通过聚合过程进行传播，为部署模型的安全概率提供了一个下界。在MNIST和Fashion-MNIST数据集上的实验表明，这种传输的证书范围可以从22.51%到46.89%，而直接的全局证书达到了72.05%到91.39…
-
预测无线网络中联邦学习的通信时间成本
研究人员开发了一种方法来预测 IEEE 802.11 无线网络中联邦学习场景下的通信时间成本。通过使用 ns-3 模拟来测量不同客户端密度和负载下的帧传递率和饱和吞吐量，他们创建了更新录取概率的代理。该代理与一个方程结合，用于估算通信时间，结果表明，虽然达到目标精度所需的回合数保持稳定，但通信时间随着客户端密度的增加而显著增加。一个基于 Bianchi 的估计器在未见过的情况下实现了 2.3% 到 10.2% 的平均绝对百分比误差，尽…
-
新的DP-FedProx框架增强了电信客户流失预测的隐私性
研究人员开发了一个名为DP-FedProx的新框架，用于解决电信网络中的客户流失预测问题。该框架利用差分隐私联邦近端优化，允许多个电信运营商在不共享原始客户数据的情况下协同训练全局模型。提出的DP-FedProx方法旨在平衡预测性能和数据隐私，其性能优于标准的联邦平均方法，并能与中心化模型相媲美，同时提供强大的隐私保证。
-
联邦学习提升跨模态医学图像分割能力
一篇新研究论文探讨了使用联邦学习技术来改进跨模态医学图像分割，解决了数据分布在不同机构和成像协议各异带来的挑战。该研究特别调查了增强驱动的泛化，发现全局强度非线性（GIN）增强在整合计算机断层扫描（CT）和磁共振成像（MRI）数据时显著提高了性能。结果显示，在胰腺分割和全心脏分割的Dice相似系数方面有显著改进，并且联邦GIN与集中式训练相比，性能保留率很高。
-
新型非相干空域联邦学习协议提升效率
研究人员开发了一种新颖的非相干空域联邦学习（NCAirFL）协议，旨在克服联邦边缘学习中的可扩展性限制。该新协议无需瞬时信道状态信息，这是现有相干空域联邦学习（AirFL）方法的一个重大障碍。NCAirFL实现了与通信理想化FedAvg相当的收敛速率，并包含一项设备调度策略，以提高通信效率，尤其是在异构条件下。在MNIST和CIFAR-10数据集上的实验表明，在实际场景中，NCAirFL的性能与FedAvg几乎相当，并且提出的调度显著…
-
OmniMed-FL框架支持安全的多模态医学数据分析
研究人员开发了OmniMed-FL，一个多模态联邦学习框架，旨在安全地同时分析医学影像和患者记录。该方法解决了HIPAA和GDPR等法规带来的挑战，这些法规限制了集中式数据聚合。该框架在一个代理语料库上进行了测试，用于对五种临床状况进行分类，并对各种融合策略和联邦学习算法进行了基准测试。与仅文本或仅图像分析相比，多模态融合表现出更优越的性能。
-
新的FedMVLA框架增强了6G网络中具身AI的隐私性
研究人员推出FedMVLA，一个新颖的联邦学习框架，旨在增强未来6G网络中具身智能的隐私性和效率。该框架通过采用模态解耦聚合、隐私分配和通信压缩技术，解决了跨分布式机器人代理训练视觉-语言-动作（VLA）模型所面临的挑战。一项案例研究证明了FedMVLA的有效性，在联邦机器人操作中实现了84.8%的任务成功率，显著优于FedAvg，并大幅降低了数据负载要求。
-
新研究探讨了联邦学习在隐私、效率和鲁棒性方面的进展 · 跟踪9个来源
arXiv上发表的多篇研究论文探讨了联邦学习的进展，重点在于提高其效率、隐私性和鲁棒性。其中一篇论文分析了异构数据上顺序联邦学习的收敛性，表明其优于并行方法。另一篇论文介绍了一种使用紧凑适配和可变长度高斯通信的隐私对齐个性化联邦学习方法。进一步的研究提出了一个联邦随机游走平均框架，以减轻无线网络中的数据异构性和传输错误，以及一个名为FedLTLib的基准，用于标准化联邦长尾学习的评估。
-
FedDRAW 改进了用于医学影像诊断的联邦学习
研究人员开发了 FedDRAW，一种用于医学影像联邦学习的新型服务器端聚合方法。该方法旨在通过动态调整个体机构的影响力来提高诊断模型的准确性，这种调整基于数据大小和参数相似性，而不仅仅依赖于数据量。在各种模拟的多机构场景中，FedDRAW 在以 AUC 和敏感性与特异性几何平均值衡量的分类性能方面均显示出统计学上的显著改进。