split learning
PulseAugur coverage of split learning — every cluster mentioning split learning across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新的 DLaaS 框架简化了开发者的分布式学习
一篇新论文介绍 DLaaS（分布式学习即服务），一个旨在简化应用程序开发者的分布式和联邦学习的框架。DLaaS 允许开发者通过单一管理仪表板激活差分隐私、模型拆分学习、分层聚合和知识蒸馏等功能，而无需更改客户端代码。该系统在智能家居唤醒词任务上进行了演示，使用了 "Ok Aura" 数据集，训练在 Android 客户端和辅助聚合器上进行，最终模型部署在 Android 应用程序中进行实时推理。
-
新的隐私防御方法用于修剪视觉语言模型的视觉标记
研究人员开发了 QPriv-VL，一个旨在增强用于联邦学习等敏感应用的视觉语言模型（VLM）隐私的新框架。该系统在传输前智能地修剪视觉标记，从而降低数据传输成本并减少暴露私人信息的风险。QPriv-VL 使用动态阈值预测器（DTP），该预测器考虑问题相关性和特征敏感性，以选择性地保留重要的视觉数据，同时抑制潜在的敏感区域，在传输的标记少得多的情况下实现了具有竞争力的准确性。
-
新的QSplitFL框架优化联邦学习分层点
研究人员开发了QSplitFL，一个使用深度Q学习优化联邦学习中分层点的新框架。与之前关注模型权重的旧方法不同，该方法考虑了客户端硬件能力，如CPU使用率和内存。QSplitFL旨在通过在各种数据集和模型架构上进行的实验证明，提高具有异构设备的联邦学习场景下的收敛速度和准确性。
-
TSFLora框架降低了边缘设备的AI模型适配成本
研究人员开发了TSFLora，一个旨在高效适配大型AI模型以用于无线边缘设备的新型框架。该方法通过压缩中间模型数据，解决了现有方法（如联邦微调和Split Learning）的局限性。TSFLora采用注意力引导的Token选择、合并和低比特量化等技术，在保持模型精度的同时，显著降低了通信开销和内存使用。