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 Personalized Federated Learning for Intelligent IoT Applications: A Cloud-Edge based Framework 90%
- instance of Decentralized federated learning system 90%
- used by Byzantine attacks 90%
- used by homomorphic encryption 90%
- used by differential privacy 80%
- used by optimal transport 80%
- developed alphaXiv 70%
- instance of CatalyzeX 70%
- developed CatalyzeX 70%
- uses differential privacy 70%
- used by FedProx 70%
- 2026-05-22 research_milestone Publication of a paper detailing an embedding-based federated learning system for iron deficiency prediction. 来源
16 天有情绪数据
-
新的FedLNS框架对抗联邦LLM中的对抗性攻击
研究人员开发了FedLNS，一个新设计的服务器端框架，用于保护联邦学习模型免受对抗性操纵。该方法利用客户端更新中归一化层参数变化的签名来识别和筛选恶意贡献。FedLNS不需要客户端进行额外的数据交换，并且可以与标准的联邦学习聚合技术集成。实验表明，即使高达40%的客户端参与目标操纵，该方法也能有效降低GPT风格、BERT风格和LLaMA风格模型的测试困惑度。
-
FedCoRe框架解决了医疗联邦学习中缺失数据的问题
研究人员开发了FedCoRe，一个用于医疗联邦学习的新框架，解决了缺失数据模态的挑战。FedCoRe通过比较使用可用数据和不使用可用数据所做的预测来学习纠正缺失信息，例如心电图或胸部X光片。该方法旨在恢复因模态缺失而损失的性能，在模拟医疗场景中显示出显著的准确性恢复。
-
FDA-Opt算法增强了大型语言模型的联邦学习能力
研究人员推出了一种名为FDA-Opt的新型算法系列，旨在改进大型语言模型的联邦学习。该方法通过采用动态更新计划，解决了联邦学习中频繁且僵化的参数通信挑战。FDA-Opt泛化了现有的FedOpt和FDA等方法，提供了一种无需额外配置即可使用的实用即插即用替代方案，并在自然语言处理任务的语言模型微调方面表现出卓越的性能。
-
新的基础模型统一病理和放射学用于医学图像分析
研究人员开发了CoM$^3$eT，一种用于医学图像分析的新型基础模型，它集成了病理学和放射学数据。该模型利用联邦学习和注意力机制来处理多维上下文，能够在各种成像维度上进行稀疏和密集预测。CoM$^3$eT在跨多个数据集和任务（包括报告生成）的公开竞赛中表现出色，并在参数训练效率和跨医院联邦学习的适应性方面表现出优势。
-
新的ASCEND框架通过自适应压缩优化联邦学习
研究人员开发了ASCEND，一种用于联邦知识蒸馏（FedKD）的新型框架，解决了通信开销和模型异构性问题。该方法允许各个客户端从一组选项中选择最佳压缩策略，该问题被表述为一个随机多臂老虎机问题。ASCEND旨在平衡本地训练改进、全局知识对齐和执行时间，在保持具有竞争力的准确性的同时，显著减少了通信和训练时间。
-
极化码增强联邦学习，提升通信效率
研究人员开发了一种新颖的联邦学习（FL）方案，该方案利用极化码在噪声信道条件下提高通信效率和鲁棒性。这种跨层设计选择性地保护模型更新中更重要的量化比特，这与传统上同等对待所有比特或假设信道无误的方法不同。所提出的方案包括严格的收敛性分析，推导出与量化比特和极化码块长度一起优化的收敛差距上限。实验结果表明，与无编码和基于LDPC的方法相比，在信道质量下降时性能有显著提升。
-
MedMix框架增强了多模态医疗AI的联邦学习能力
研究人员开发了MedMix，一个旨在改进医疗领域多模态AI联邦学习的新框架。该方法解决了模态异构性的挑战，即不同客户端可能拥有不同程度的模态数据访问权限或数据子集。MedMix采用模态感知路由和共识引导对齐，即使在数据不完整或多样的情况下，也能确保客户端之间专家专业化的一致性。在真实医疗数据集上的实验表明，MedMix在严重数据异构条件下能取得优于平均F1分数。
-
新AI模型提供高效、私密的生物信号学习
研究人员开发了一种混合量子启发式Kolmogorov-Arnold网络（HQKAN），用于生物信号数据的隐私感知联邦学习。该新网络使用MIT-BIH和INCART数据集的ECG数据，针对心律失常分类与传统多层感知机（MLP）进行了评估。与MLP基线相比，HQKAN在聚合和少数类指标方面表现出改进的性能，同时显著减少了可训练参数和通信成本。
-
联邦提示学习调查，探讨LLM训练和隐私
本文全面 survey 了联邦提示学习（FPL），这是一种去中心化训练大型语言模型（LLMs）的方法。FPL 通过在不共享原始数据的情况下进行协作模型训练，解决了高计算成本、数据中心化和隐私担忧等挑战。该 survey 考察了 FPL 的动机、特点和技术，并将其与传统的联邦学习和全模型微调进行了比较。它还分析了性能、效率和可扩展性方面的权衡，同时强调了持续的安全、隐私和鲁棒性问题以及未来的研究方向。
-
新的 FedSGA 框架通过自适应拆分优化拆分联邦学习
研究人员开发了 FedSGA，一个新颖的拆分联邦学习 (SFL) 框架，旨在优化在具有不同数据分布和适应速度的客户端上的模型训练。与使用静态拆分的传统 SFL 方法不同，FedSGA 采用客户端特定的浅层充分性估计。该方法使用私有提示令牌来跟踪本地适应，并使用浅层充分性估计器，该估计器考虑语义对齐、接口稳定性和提示状态变化，以确定最浅的拆分是否足够。实验表明，与现有方法相比，FedSGA 提高了模型性能并减少了计算量。
-
联邦学习提升了分布式数控机床的刀具磨损预测能力
一篇新的研究论文探讨了联邦学习在数控加工刀具磨损预测中的应用。该方法允许多台机器协同训练预测模型，而无需共享原始数据，从而解决了隐私和分布式问题。研究发现，联邦学习模型的性能接近集中式模型，并显著优于单独的本地模型，表明其在改进制造流程方面具有可行性。
-
新的EFFEKT框架支持在边缘设备上对大型模型进行高效联邦学习
研究人员开发了EFFEKT，一个新颖的联邦学习框架，旨在资源受限的设备上训练大型基础模型。该系统在客户端设备上使用轻量级代理模型，并与中央基础模型协作。EFFEKT能够在服务器端高效训练特定领域的LoRA适配器，同时通过双向交叉蒸馏保持特征空间对齐，在真实世界数据集上展示了优于现有方法的性能。
-
FEAST框架增强了异构资源客户端的联邦学习能力
研究人员推出了一种新颖的联邦学习框架FEAST，旨在适应计算资源各异的客户端。FEAST训练一个单一的弹性模型（或称“超网”），通过同时学习多个子网络来适应不同客户端的预算。这种方法确保了参数能够被更广泛的客户端访问，从而提高了异构环境下的准确性。在CIFAR-100等数据集上的实验结果表明，FEAST的性能显著优于现有的权重共享方法，实现了更高的总体平均准确率，并减少了模型参数的传输量。
-
联邦学习中新发现标签粒度偏斜挑战
研究人员提出了联邦学习中的一个新挑战——标签粒度偏斜，即分层图像分类任务中的客户端提供不同详细程度的标签。为解决此问题，他们开发了一种方法，使用概率关系邻居分类器生成本地标签层级，并使用对不完全监督更具鲁棒性的条件softmax分类器。提出的分支解耦微调（BDFT）及其联邦版本FedBDFT在鲁棒性方面显示出显著改进，在CIFAR-100和ImageNet等数据集上，在严重偏斜情况下平均增益高达56.4%。
-
新框架改进了分布外数据的联邦蒸馏
研究人员开发了一种新的联邦蒸馏框架，这是一种机器学习技术，通过聚合本地客户端数据来训练全局模型，而无需共享私有信息。这种新方法通过采用域感知代理选择方法，专门解决了分布外（OOD）数据带来的挑战。实验表明，该框架能有效处理OOD场景中的分布偏移，在标准基准测试中表现优于现有方法。
-
新框架利用人工智能和隐私保护增强医疗物联网安全性
提出了一种新的框架，以增强医疗物联网（IoMT）系统的安全性和隐私性。该框架利用人工神经网络进行入侵检测，并结合联邦学习来保护用户隐私。此外，它还集成了可解释人工智能（XAI）方法以提高模型的可解释性。评估表明，联邦学习方法在有效保护隐私和提供模型解释方面，与集中式方法相当。
-
新本体论定义人工智能和计算机系统中的去中心化
一篇新发表在arXiv上的论文提出了一个形式本体论来定义计算机科学中的去中心化，解决了在人工智能、区块链和物联网等不同领域中围绕该概念的模糊性。该研究确定了由于定义不一致以及与相关概念混淆而产生的“去中心化问题”。提出的框架使用基于图的本体论，并引入了两个指标——空洞容忍度（Void Tolerance）和不可渗透性（Imperviousness）——来评估去中心化，并通过在联邦学习和区块链架构中的实例证明了其效用。
-
两篇论文提出用于车辆网络的先进联邦学习方法
两篇新研究论文提出了用于车辆网络的先进联邦学习技术。第一篇论文介绍了分层联邦迁移学习（HFTL），通过解决数据异质性和稀疏性问题，提高基于数字孪生车辆自组网（DT-VANETs）的预测准确性。第二篇论文提出了一个基于自动编码器的可靠性优化分层多任务联邦学习（AERO-HMTFL）框架，用于动态聚类车辆自组网（VANETs），能更有效地处理异构学习任务和间歇性连接。这两种方法都旨在增强车辆间的协作智能，同时保护数据隐私。
-
新的MoE方法增强了用于私有数据的联邦LLM调优
研究人员开发了用于混合专家（MoE）大型语言模型（LLM）的联邦指令调优的新方法，以处理去中心化和私有数据。一种方法ClientMorpher使用MoE路由器签名对协作客户端进行分组，通过防止负迁移来提高个性化性能。另一种方法DistMoE为客户端特定的专家增强了LLM层以进行域适应，采用公共锚定的组合阶段来管理专家合并并实现模块化路由，而无需显式域标签。
-
新的攻击通过标签翻转和过采样来针对联邦GAN
研究人员详细介绍了针对生成对抗网络（GAN）的联邦学习设置的新型对抗攻击。这些攻击涉及恶意客户端在本地训练期间通过翻转标签或对有毒样本进行过采样来操纵数据。目的是扭曲全局生成器的输出，使其将目标标签映射到错误的类别。该研究使用Kullback-Leibler散度量化了影响，表明虽然语义损害随中毒强度线性增加，但与真实分布的偏差呈二次方增长，这使得检测变得困难。