federated learning
PulseAugur coverage of federated learning — every cluster mentioning federated learning across labs, papers, and developer communities, ranked by signal.
- instance of Clustered Federated Learning: Model-Agnostic Distributed Multitask Optimization Under Privacy Constraints 95%
- instance of CORE Recommender 90%
- instance of Personalized Federated Learning for Intelligent IoT Applications: A Cloud-Edge based Framework 90%
- instance of Decentralized federated learning system 90%
- instance of Split Federated Learning 90%
- used by homomorphic encryption 90%
- used by differential privacy 80%
- used by optimal transport 80%
- used by Byzantine attacks 80%
- used by alphaXiv 70%
- developed alphaXiv 70%
- developed by alphaXiv 70%
- 2026-05-22 research_milestone Publication of a paper detailing an embedding-based federated learning system for iron deficiency prediction. 来源
15 天有情绪数据
-
新框架改进了移动设备上MoE LLM的联邦学习
研究人员开发了FedAlign-MoE，一个旨在改进移动边缘设备上混合专家（MoE）大语言模型的联邦学习框架。该方法解决了跨设备数据异构性带来的挑战，这种异构性可能导致门控偏好分歧和专家语义模糊。FedAlign-MoE通过加权和正则化确保路由一致性，同时对齐专家语义以保持专业化，并在非独立同分布（non-IID）环境中提高整体准确性和收敛速度。
-
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…
-
新的“Cordial Learning”方法解决了分布式人工智能训练中的相关数据问题
研究人员推出了一种新颖的分布式机器学习方法“Cordial Learning”，该方法专为数据在代理之间存在相关性的场景设计。与现有在处理此类相关性时遇到困难的联邦学习方法不同，Cordial Learning 允许代理共享低维输出，从而在保护隐私和降低通信开销的同时，促进本地模型的训练。理论分析表明，该方法可以收敛到全局最优解，并且在多位数 MNIST 任务上的实验结果证明了其在复杂非线性设置下的有效性。
-
新框架通过联邦学习增强边缘计算网络安全
研究人员开发了一种新颖的信任感知联邦混合入侵检测框架（TA-FHIDF），以增强边缘计算环境中的网络安全。该框架结合了自动编码器、一维卷积神经网络（1D-CNN）和双向长短期记忆（BiLSTM）模型，用于自主特征提取。为了保护数据隐私和防止对抗性攻击，TA-FHIDF 利用联邦学习进行协作模型训练，并采用信任感知聚合机制，在全局模型集成前评估客户端的可靠性。在 UNSW-NB15 和 CICIDS2017 等基准数据集上的评估显示，检…
-
新框架使LLM代理能够在不共享数据的情况下协同学习
研究人员推出了一种名为联邦式代理优化（Federated Agent Optimization, FAO）的新框架，旨在使大型语言模型（LLM）代理能够在不共享敏感原始数据的情况下进行协同改进。FAO通过考虑代理能力的更广泛范围，包括记忆、工具、奖励、技能和结构化知识，解决了传统联邦学习的局限性。该框架将优化问题制定为一个多目标问题，平衡了代理效用、隐私泄露和通信成本，为可转移能力提供了一种统一的方法。
-
研究发现：去中心化学习提升文档分析鲁棒性
一篇题为“Unapologetically Distributed”的新论文探讨了去中心化学习在文档分析任务中的优势。由 Adrià Molina Rodríguez 领导的研究认为，与通常认为的性能权衡相反，联邦学习可以在现实场景中增强模型的鲁棒性和适应性。该研究同时评估了跨表格识别、手写识别和关键词识别等各种任务的分布式训练方法，证明了泛化能力的提高，尤其是在迁移学习期间。
-
新的联邦学习方法应对异构边缘设备 · 已追踪 2 个来源
两篇新的研究论文提出了用于异构边缘设备联邦学习的新方法。FedSAP 引入了结构化自适应分区，允许客户端根据资源预算和数据域将模型容量分配给全局、私有或丢弃池。HO-FL 提出了一种混合阶优化策略，对内存受限的底层使用零阶优化，对顶层使用一阶优化，以平衡性能和内存使用。这两种方法都旨在提高在具有不同硬件和数据分布的分布式学习环境中的模型准确性和效率。
-
新的Aegis技术增强了医学人工智能联邦学习的隐私性
研究人员开发了一种名为Aegis的新型隐私保护技术，用于医学人工智能中的联邦学习。该方法旨在通过在训练过程中掩盖梯度来保护敏感的患者数据，防止模型反演攻击。Aegis通过将合成梯度叠加到真实更新之上来实现这一点，有效地增加了超出已知攻击能力范围的批次大小，同时不损害诊断准确性或改变联邦学习协议。在MNIST、CIFAR-10和MedMNIST等数据集上的评估表明，Aegis在保持模型效用的同时，能有效中和最先进的攻击。
-
新的类增量学习方法解决遗忘和效率问题 · 追踪 7 个来源
arXiv 上发表的多篇研究论文提出了类增量学习（CIL）的新方法，这是一种允许 AI 模型随着时间推移学习新类别而不会忘记先前获得的知识的技术。这些方法侧重于提高效率和减少灾难性遗忘，这是 CIL 中的一个常见挑战。方法包括使用任务自适应 LoRA（低秩自适应）模块、集成知识迁移、用于原型路由的双曲几何以及神经网络层的动态宽度扩展。一些论文还探讨了联邦学习场景，并将模型适应不断变化的类别和领域分布。
-
DeepFedNAS 为异构物联网联邦优化神经网络架构
研究人员开发了 DeepFedNAS，一个旨在优化异构物联网（IoT）联邦的神经网络架构的新型框架。这种利用帕累托引导的超网络训练和无预测器搜索的两阶段方法，与现有的联邦神经架构搜索（FedNAS）方法相比，显著降低了计算成本和时间。DeepFedNAS 在各种数据集上即使在非独立同分布（non-IID）条件下也展示了最先进的准确性和稳健的性能，使其成为可扩展、通信受限的物联网环境的实用解决方案。
-
联邦学习数据损坏检测方法比较
一篇新的研究论文探讨了在联邦学习环境中检测数据损坏的方法。该研究比较了两种信号：输入条件不确定性和预测标签损失，并评估了它们对图像噪声和标签翻转的有效性。结果表明，预测标签损失对于检测持续的标签翻转更有效，而对不确定性的衡量更适合识别图像噪声。该论文建议，鲁棒的联邦学习数据质量评估应将检测信号与存在的特定损坏类型相匹配。
-
Google 通过 TEE 增强联邦学习隐私；新 arXiv 论文探讨模型合并与效率
Google Research 开发了一个新的联邦学习系统，通过可信执行环境 (TEE) 增强隐私，允许可验证的数据匿名化和更快的训练。该系统已在 Gboard 中实现，建立在先前差分隐私和安全聚合工作的基础上。同时，几篇 arXiv 论文探讨了联邦学习的进展，包括带有预训练权重的模型合并技术、处理非 IID 数据和动态客户端参与的框架、渐进式分辨率安全聚合、用于效率的潜在信息共享以及用于安全和通信优化的压缩方法。
-
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。
-
新研究探讨机器学习和联邦学习中的吉布斯测度
本文探讨了三种与机器学习相关的吉布斯概率测度运算。它详细介绍了重整化、归一化对数线性组合和嵌套吉布斯测度如何生成新的吉布斯测度。研究表明，这些运算可以解决涉及目标函数线性组合的优化问题，并应用于联邦学习等领域，其中一次性系统可以实现与聚合本地训练数据集相媲美的性能。
-
新的联邦软聚类方法使用GTVMin连接个性化GMM
研究人员开发了一种新的联邦软聚类方法，该方法允许设备在其私有数据上训练个性化高斯混合模型（GMM）。该方法称为广义全变分最小化（GTVMin），使用图正则化器通过惩罚局部模型之间的差异来连接它们。该研究比较了三种差异度量：平方欧氏距离、Kullback-Leibler散度和最大均值差异，并评估了它们的计算成本和对数据异质性的鲁棒性。
-
新论文探讨联邦学习挑战
本文讨论了联邦学习中的一个现实问题，重点关注作者在该领域面临的挑战。它强调了在使用联邦学习方法时遇到的复杂性和潜在问题。
-
新的FedASAP方法增强了脑部MRI分割的个性化联邦学习
研究人员开发了FedASAP，一种用于医学影像个性化联邦学习的新方法。该方法利用激活统计数据来指导自适应模型剪枝，创建更小、更高效的针对个体客户端的分割模型。FedASAP在脑部MRI数据集上展示了改进的Dice分数，同时显著减少了模型参数，解决了联邦设置中数据异质性和资源限制的挑战。
-
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。