Federated Prompt Learning

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。