FedProx
PulseAugur coverage of FedProx — every cluster mentioning FedProx across labs, papers, and developer communities, ranked by signal.
5 天有情绪数据
-
联邦学习在临床AI模型的时序数据方面面临挑战
研究人员探讨了联邦世界模型学习中的轨迹异质性，重点关注使用MIMIC-IV数据集进行的临床预测任务。他们的研究表明，客户端所有权和参与度显著限制了长时序窗口的覆盖范围，在训练期间只有一小部分可用的32步窗口在本地是完整的。研究还发现，更精细的严重程度划分通常会导致FedAvg算法的错误率更高，而FedProx等其他联邦算法仅显示出最小的、与预测时间范围相关的改进。此外，研究强调算法标签可能会掩盖不同的更新行为和规模差异，这表明需要更细…
-
新分析探讨了 Mamba2 状态空间模型的联邦学习
研究人员开发了应用于选择性状态空间模型（SSM），如 Mamba2 的联邦学习算法的新收敛性分析。现有的联邦学习方法在很大程度上是与架构无关的，并且没有考虑到现代 SSM 的独特特性。该研究推导了 SSM 的面向架构的界限，并在此背景下分析了 FedAvg 和 FedProx 的性能。在 Mamba2 语言建模的各种文本域上进行了实验，以验证这些界限并解释 SSM 联邦学习算法的行为。
-
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。
-
新的DP-FedProx框架增强了电信客户流失预测的隐私性
研究人员开发了一个名为DP-FedProx的新框架，用于解决电信网络中的客户流失预测问题。该框架利用差分隐私联邦近端优化，允许多个电信运营商在不共享原始客户数据的情况下协同训练全局模型。提出的DP-FedProx方法旨在平衡预测性能和数据隐私，其性能优于标准的联邦平均方法，并能与中心化模型相媲美，同时提供强大的隐私保证。
-
新的HiFedProx方法增强了联邦学习的正则化
研究人员开发了一种名为HiFedProx的新型联邦学习正则化技术，该技术改进了现有的FedProx方法。HiFedProx用p索引的幂类型正则化器替换了二次惩罚，从而能够更好地控制客户端参数的位移。在FEMNIST子集上的实验表明，HiFedProx在压力条件下取得了显著的收益，并且在p值为5到7之间观察到了最佳性能。
-
OmniMed-FL框架支持安全的多模态医学数据分析
研究人员开发了OmniMed-FL，一个多模态联邦学习框架，旨在安全地同时分析医学影像和患者记录。该方法解决了HIPAA和GDPR等法规带来的挑战，这些法规限制了集中式数据聚合。该框架在一个代理语料库上进行了测试，用于对五种临床状况进行分类，并对各种融合策略和联邦学习算法进行了基准测试。与仅文本或仅图像分析相比，多模态融合表现出更优越的性能。
-
联邦LoRA支持跨国际X射线队列的BiomedCLIP协同训练
研究人员开发了一种使用低秩适应（LoRA）的联邦学习方法，用于在四个国际队列中训练用于胸部X射线分类的BiomedCLIP模型。该方法允许各机构协同训练一个共享模型，而无需交换敏感的患者数据，从而提高了模型在较弱队列上的性能，同时保持了在较强队列上的准确性。研究强调了FlexLoRA引入的基于SVD的乘积空间聚合在处理联邦更新异质性方面的有效性，并发现像FedProx这样的漂移校正优化器在他们的实验中没有带来显著的好处。
-
新研究强调联邦学习系统的漏洞 · 跟踪到2个来源
研究人员开发了新的框架来解决联邦学习系统中的安全漏洞。一种名为STAIN-FL的方法，通过操纵标签和掩盖梯度，在视频异常检测中引入了隐蔽的、上下文触发的后门攻击，在对干净准确率影响最小的情况下，表现出显著的错误分类率。另一项贡献BackDFL，作为去中心化联邦学习中后门攻击和防御的统一基准，揭示了在现实的、自适应的攻击下，尤其是在异构和依赖图拓扑的场景中，当前鲁棒的方法和适应性防御会失效。
-
联邦学习框架增强了可再生能源损失的参数化保险
研究人员开发了一个联邦学习框架，用于设计可再生能源生产损失的参数化保险指数。该方法允许生产者使用私有数据和Tweedie广义线性模型在本地对其损失进行建模，同时通过联邦优化学习全局指数，而无需共享原始观测数据。该框架能够适应方差和链接函数的变异性，并为次指数协变量分布提供了理论保证。在德国太阳能农场的实验表明，与传统的基于近似的聚合方法相比，FedAvg、FedProx和FedOpt等联邦学习方法在速度和计算可行性方面都显著更快，特别…
-
新的联邦学习策略应对数据异质性和安全威胁 · 跟踪 5 个来源
研究人员正在开发新的联邦学习 (FL) 策略来应对数据异质性和安全威胁等挑战。FedImp 和 FedTVD 旨在通过根据数据质量和分布对客户端贡献进行加权来提高收敛速度和模型准确性。FedSGA 专注于优化异构环境中的模型拆分，而 STAR-FL 则引入了针对计算机视觉 FL 系统中数据投毒攻击的防御措施。这些进展共同提高了联邦学习的效率、鲁棒性和安全性。
-
FedChronos 实现了时间序列模型的隐私保护联邦微调
研究人员开发了 FedChronos，这是一个用于时间序列基础模型（TSFM）如 Chronos-T5 的联邦微调的新框架。该方法通过仅传输轻量级适配器权重，实现了在数据无法集中化的去中心化环境中的 TSFM 的适应。在印度商品价格数据上的实验表明，加入差分隐私噪声可以作为一种正则化器，将准确性比零样本性能提高 31%，并减少过拟合。
-
新流程增强临床AI模型的隐私性和准确性
研究人员开发了一种用于处理不平衡临床数据上的差分隐私联邦学习的稳健流程，特别适用于心血管风险预测。该流程整合了SMOTETomek技术以解决数据不平衡问题，并采用了FedProx算法来处理非独立同分布（non-IID）数据，其性能优于标准的FedAvg。研究确定了隐私-效用边界上的一个最优区域，表明在保持高临床效用（召回率>77%）的同时，可以维持强大的隐私保证（epsilon 9.0）。这项工作为使用异构医疗数据构建安全准确的诊断工…
-
联邦学习策略在临床死亡率预测方面进行比较
研究人员使用 MIMIC-IV 数据集对几种用于预测院内死亡率的联邦学习策略进行了基准测试。研究发现，FedProx 在 AUC-ROC 和 AUC-PR 方面表现最佳，优于 FedAvg 和 FedAdagrad 等其他策略。然而，没有一种策略在所有指标上都占主导地位，并且集中式基线模型仍然取得了优越的性能。研究还强调，全局模型不能平等地服务于所有个体护理单元，这表明在联邦学习应用中需要关注客户特定的异构性。
-
研究发现联邦学习准确率可能掩盖模型关键故障
一项比较用于网络入侵检测的联邦学习算法的研究项目显示，高全局准确率可能会掩盖在少数数据孤岛上的糟糕表现。研究发现，FedAvg 实现了 96% 的全局准确率，但在一个只有 300 万个样本中的 3000 个样本的“Web 攻击”小孤岛中，它漏报了所有攻击。相比之下，FedNova 在所有孤岛和种子中都表现出持续的高性能，这凸显了客户端性能指标和聚合方法对于检测罕见攻击的重要性。
-
新的FDRMFL框架增强了在非独立同分布数据上的多模态联邦回归
研究人员推出了一种新颖的框架FDRMFL，专为联邦回归任务中的多模态特征提取而设计，特别解决了非独立同分布（non-IID）数据带来的挑战。该框架采用了一个包含四个项的局部目标函数：MSE预测损失、互信息代理、用于跨模态分布对齐的对称KL惩罚项，以及用于将局部表示锚定到全局共识的对比损失。在合成和真实世界数据集上的实验表明，FDRMFL的有效性，与PCA和VAE等传统方法相比，平均MSE显著降低，并且优于FedAvg和FedProx等…
-
TallyTrain协议大幅削减联邦学习通信成本
研究人员开发了TallyTrain，一种新颖的联邦学习协议，旨在显著降低通信开销。该方法仅传输每个探针的预测类别索引，而非完整的软标签，这对于大量的类别计数尤其有效。通过过滤掉欠训练同伴的噪声，TallyTrain在非独立同分布（non-IID）场景下可以优于传统的软标签蒸馏。此外，一种带宽桥接变体将TallyTrain与稀疏参数合并相结合，在各种操作点上均优于FedAvg和FedProx等标准基线。
-
联邦学习在医疗生存分析领域展现潜力 · 追踪2个来源
一篇新论文评估了联邦学习在医疗生存分析中的应用，特别是在跨多个机构的乳腺癌数据集上。该研究使用FedAvg、FedProx和FedAdam等联邦优化策略，比较了三种生存模型（Cox比例风险模型、DeepSurv和Random Survival Forest）。结果表明，联邦学习方法在保护患者隐私的同时，其性能可以媲美甚至超越集中式方法。Random Survival Forest模型在准确性和鲁棒性方面取得了最佳平衡，其性能受到客户端…
-
新框架通过去中心化联邦学习增强电动汽车电池智能
一篇新研究论文介绍了一种名为ABC-DFL的去中心化联邦学习框架，该框架专为电动汽车（EV）电池智能设计。该系统旨在通过区块链和一种新颖的动态法定人数拜占庭容错（QBFT）协议取代传统的中心化聚合，从而增强安全性和信任度。该框架包括FLECA，一个分层聚合协议，用于过滤恶意更新，并使用鲁棒的集群化来聚合来自可信电动汽车群组的模型更新，在对抗性场景中展示了优于现有防御的性能。
-
ChainLearn框架使用区块链实现容量感知的联邦学习
研究人员开发了ChainLearn，一个用于联邦集成学习的新框架，解决了参与机构之间计算能力差异的挑战。该系统使用区块链技术来管理策略和存储指标，而链下学习和加权集成方法则适应不同的医院硬件。实验表明，与传统的联邦学习方法相比，ChainLearn在通信开销显著降低的情况下实现了具有竞争力的准确性。
-
NVIDIA FLARE 教程在非独立同分布数据上比较 FedAvg 和 FedProx
本教程演示了如何使用 NVIDIA FLARE 实现和比较 FedAvg 和 FedProx 联邦学习算法。实验采用了非独立同分布 (non-IID) 的 CIFAR-10 数据集，通过使用狄利克雷分布划分数据来模拟客户端之间现实的标签不平衡。该指南详细介绍了设置 NVFlare 环境、定义用于本地训练和模型交换的客户端脚本，以及可视化全局模型在训练轮次中的准确率进展。