Federated Averaging
PulseAugur coverage of Federated Averaging — every cluster mentioning Federated Averaging across labs, papers, and developer communities, ranked by signal.
3 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…
-
自然选择规则解决了联邦回归的歧义性
一篇新研究论文分析了多变量联邦平均的复杂性，特别是在客户端可以选择多个最优“头部”时。该研究提出了一个自然选择规则，即客户端返回最接近广播头部的头部，这可以通过具有消失近端惩罚的全局最小化来实现。研究表明，在某些条件下，共享的Gram矩阵收敛于客户端Gram矩阵的Bures-Wasserstein重心，并且校正机制可以恢复中心化的最优Gram矩阵。
-
联邦图神经网络受结构差异损害
一篇新研究论文探讨了联邦图神经网络中的结构性负迁移现象，即参与者之间不同的图结构会损害模型性能。研究发现，一个结构上非典型的客户端仅通过加入联邦就可能损失显著的准确性。虽然初步实验识别了诸如度数散度等潜在预测因子，但进一步分析揭示了缓解策略的复杂性和局限性，表明当前方法可能无法完全解决大规模问题。
-
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…
-
量子联邦学习研究应对噪声和异构性
两篇新研究论文探讨了量子联邦学习（QFL）的进展，这是一种允许量子神经网络在不共享私有数据的情况下进行训练的方法。第一篇论文介绍了一种使用 QoS 感知客户端加权和圆形参数聚合的稳定聚合方法，该方法在 IBM 量子机器上进行了验证，并在医疗和金融数据集上显示出更高的稳定性和准确性。第二篇论文提出使用 Bures--Uhlmann 几何进行 QFL，将参数空间几何扩展到混合态，以处理嘈杂和异构的量子设备，在囚禁离子量子模拟器上展示了优于…
-
新框架通过高效联邦学习提升息肉分割能力
研究人员开发了QFedPolyp，一个旨在提高息肉分割效率的新型联邦学习框架。该框架结合了感知量化训练和低精度模型通信，显著降低了传输成本和推理时间。通过在本地训练轻量级U-Net模型并传输量化参数，QFedPolyp能够在不损害分割精度的前提下，实现医院间的隐私保护协作。
-
新研究为局部 SGD 算法提供了更紧的收敛率
研究人员发表了一篇论文，详细介绍了局部 SGD（也称为联邦平均）的分布式优化算法的更紧收敛率。该研究侧重于二阶异质性有界的情况，证明了一个猜想，该猜想将算法的效率扩展到一般凸目标。研究结果提供了对局部 SGD 性能更精确的理论理解，并包括在该设置下算法的改进下界。
-
研究发现：联邦平均模型在非独立同分布数据下保留了表征但出现错位
一篇新的研究论文探讨了在非独立同分布（non-IID）客户端数据上训练的联邦平均（FedAvg）模型所出现的性能下降问题。该研究在卷积神经网络（CNN）和ResNet模型上，使用CIFAR-10和Fashion-MNIST数据集进行，发现虽然某些类别的准确率显著下降，但底层学习到的表征通常保持完整，只是与最终预测路径发生错位。研究利用了线性探测（linear probing）和仅微调头部（head-only finetuning）等方…
-
联邦学习框架以97%的准确率增强5G干扰检测能力
研究人员开发了一个联邦学习框架，用于检测5G网络中的射频（RF）干扰攻击。该方法使用同步信号块（SSB）的同相（In-phase）和正交（Quadrature）样本来训练一维卷积神经网络（CNN），从而在不共享原始信号数据的情况下，实现用户设备之间的协作模型训练。联邦学习方法达到了97%的准确率和F1分数，在保护用户隐私的同时，性能优于集中式机器学习模型。