flower
PulseAugur coverage of flower — every cluster mentioning flower across labs, papers, and developer communities, ranked by signal.
- 2023-03-22 product_launch Flower, an open-source framework for federated learning, has launched. 来源
3 天有情绪数据
-
LLM通过新基准增强化学反应机制推理能力
研究人员开发了一种新方法，通过关注化学反应的机制推理来增强大型语言模型（LLM）的化学推理能力。他们创建了一个大规模数据集，并建立了FukuyamaBench基准，该基准源自Fukuyama的《高级有机反应机理》一书，用于评估LLM在复杂、循序渐进的反应路径上的表现。经过微调的Qwen3-30B-A3B模型在FukuyamaBench A集上实现了8.3%的精确路径匹配，优于得分为5.1%的专业FlowER模型。这表明使用面向机制的数…
-
新理论解释流模型求解器，提出高效采样方法
研究人员开发了一个新的理论框架，用于理解流模型逆问题求解器，这些求解器用于解决成像逆问题。这种新方法，称为后验传输（posterior-transport），揭示了这些求解器中的条件化是通过重加权源分布而非漂移校正来实现的。该分析提出了一种更有效且有原则的速度校正求解器，该求解器在各种先验和分布外设置中表现出竞争力，同时还能产生具有准确不确定性量化的多样化后验样本。
-
新的DP-Hype算法实现了联邦学习中的私有超参数搜索
研究人员开发了DP-Hype，一种结合了差分隐私的联邦超参数搜索新算法。该方法允许联邦学习设置中的客户端通过基于本地评估的投票机制集体选择超参数，从而确保多数支持的折衷方案。DP-Hype保证了客户端级别的差分隐私，而不依赖于超参数的数量，并提供了效用界限，即使在隐私预算很小的情况下也能证明其有效性。
-
联邦自动编码器在边缘设备上增强了具有隐私保护的心电图异常检测
研究人员开发了一种用于在边缘设备上检测心电图（ECG）数据异常的隐私保护联邦自动编码器系统。该系统结合了联邦学习、差分隐私和INT8量化，以维护患者的机密性，实现在Raspberry Pi 4等受限硬件上的实时推理，并在来自不同医院的非独立同分布（non-IID）数据下也能实现高质量的检测。研究发现，联邦学习的性能与集中式基线相当或更优，而INT8量化在准确性损失极小的情况下显著减小了模型大小和延迟，证明了隐私保护和边缘部署可以同时实现。
-
新的 SBPN 模型通过知识蒸馏提升尼日利亚语言 ASR 性能
研究人员开发了一个名为 Sometin Beta Pass Notin (SBPN) 的新多语言自动语音识别 (ASR) 框架，以提高尼日利亚语言的性能。该框架采用两阶段知识蒸馏过程，首先从单一语言模型进行蒸馏，然后通过伪标记数据的迭代自我改进。该方法在 Common Voice 和 Fleurs 等基准测试中，相对于基线平均降低了 29% 的词错误率，并且优于现有的最先进的多语言模型。SBPN 以两种尺寸发布为开放基础模型，旨在为该…
-
TechCrunch 聚焦人工智能、深度科技等领域的 21 家欧洲初创公司
TechCrunch 评选出 21 家有望在人工智能、深度科技和机器人等多个科技领域实现增长的欧洲初创公司。该名单重点介绍了 Alta Ares（一家专注于反无人机系统的公司）和估值已达 56 亿美元的法律人工智能公司 Legora。其他值得关注的公司包括 BottleCap AI、专注于可再生能源人工智能的 Flower、可重复使用火箭公司 PLD Space 以及工业机器人公司 Inbolt。
-
新的联邦学习方法增强了对抗攻击的鲁棒性
研究人员开发了一种新的鲁棒联邦学习方法，可以抵御对抗攻击。该方法称为基于损失的客户端聚类，只需要服务器和一名客户端等两个诚实参与者即可有效运行。理论分析表明，即使在强拜占庭攻击下也存在有界的最优性差距，实验结果表明在多个基准测试中显著优于标准的和鲁棒的联邦学习基线。
-
Show HN：开源社交机器人Blossom的重建
Blossom的创建者（一个用于人机交互研究的开源社交机器人平台）重建了整个系统。此次重建包括受模型套件启发的重新设计的内部框架、重构为名为r0b0的Python库的代码库，以及更新了配备新型Dynamixel伺服电机硬件的版本。新版本还具有改进的远程呈现界面和由语言模型驱动的对话交互功能。
-
Flower 框架支持在分布式、敏感数据上进行 AI 训练
Flower 是一个用于联邦学习的开源框架，现已发布，支持在分布式或敏感数据上进行 AI 模型训练，而无需移动数据。这种将模型部署到数据的方法，解决了医疗保健、金融和生成式 AI 等领域面临的数据隐私和监管合规性挑战。该框架旨在通过简化联邦学习来克服机器学习项目的障碍，并计划推出托管的企业版本。