Split Federated Learning
PulseAugur coverage of Split Federated Learning — every cluster mentioning Split Federated Learning across labs, papers, and developer communities, ranked by signal.
-
新框架增强LLM的个性化联邦学习
两篇新的研究论文介绍了用于大型语言模型（LLM）个性化联邦学习的先进技术。第一篇FedRoRA通过将适应性分解为共享的全局方向和个性化的逐秩幅度来解决秩异质性问题，在NLU和NLG基准测试中表现优于现有方法。第二篇FlexP-SFT提供了一个无聚合的个性化拆分联邦微调框架，消除了客户端聚合，以减少通信瓶颈和掉队者问题，同时增强了个性化和泛化能力。
-
Ampere系统提升分体式联邦学习的效率和准确性
研究人员推出Ampere，一个旨在提高分体式联邦学习（SFL）效率和准确性的新系统。Ampere解决了传统SFL的局限性，传统SFL通常存在通信开销高和非独立同分布（non-IID）数据准确性降低的问题。新系统采用单向块间训练和轻量级辅助网络生成方法，显著降低了设备上的计算和设备-服务器通信。实验表明，与现有的SFL方法相比，Ampere的模型准确性提高了多达11.70个百分点，训练速度提高了18.6倍，通信和计算成本显著降低，并且在…
-
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。
-
新TOFD框架增强分裂联邦学习对抗投毒攻击
研究人员开发了一个名为目标导向特征解耦（TOFD）的新框架，以对抗分裂联邦学习（SFL）中的投毒攻击。TOFD分三个阶段进行：通过类特定边距扰动识别潜在攻击目标，净化被投毒的数据样本，并使用对抗性引导模型在优化过程中解耦和抑制攻击影响。实验表明，TOFD在各种攻击场景下始终优于现有防御方法，以较低的计算开销提供强大的保护。