实体
Federated Prompt Learning
Federated Prompt Learning
PulseAugur coverage of Federated Prompt Learning — every cluster mentioning Federated Prompt Learning across labs, papers, and developer communities, ranked by signal.
总计 · 30天
1
90 天内 2
发布 · 30天
0
90 天内 0
论文 · 30天
1
90 天内 2
层级分布 · 90 天
主题
情绪 · 30 天
1 天有情绪数据
最近 · 第 1/1 页 · 共 2 条
-
FedIA框架通过实例感知学习增强视觉语言模型
研究人员开发了FedIA，一个新颖的联邦提示学习（FPL）框架，旨在增强视觉语言模型在去中心化客户端上的适应性。与之前将统一提示应用于客户端内所有样本的方法不同，FedIA在实例级别上实现了个性化学习。该方法使用全局文本提示作为语义锚点来识别相关的图像块，然后生成实例感知的局部文本表示。一个自适应融合模块进一步校准了每个特定图像-类别对的全局和局部知识之间的平衡，从而在各种具有挑战性的环境中显著提高了准确性。
-
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。