跳到主要内容
检索

# 联邦学习

21 篇关联报道

订阅更新
  1. researchsquare.com

    联邦负荷事件识别不再无条件共享语义:FedReST在REFIT 2014十分之一标签下Event F1配对高出架构匹配FedAvg 0.00524

    联邦非侵入式负荷监测让各户在不共享原始功率序列的前提下协作,但本地标签稀疏、各户电器运行方式不同,跨客户传来的语义证据可靠性并不一致。FedReST把协作拆成两道准入:服务器用可靠性门控的部分最优传输只接纳双方都有支撑的语义质量,接收端再用保函数梯度投影过滤会扰动本地已掌握状态的更新方向。在冻结的REFIT 2014滚动折、10%可见标签和匹配的两轮本地训练预算下,FedReST核心相对架构匹配的Head+BN FedAvg参照,Event F1与Window F1的配对差分别为+0.00524和+0.00104。

  2. arXiv

    不同大模型也能联邦协作:FedVP 不合并参数,只汇集本地训练的验证器

    联邦学习通常要求各机构共享同一套模型骨干,才能聚合参数更新,这使使用不同家族、不同规模大模型的机构难以协作。FedVP 把协作从参数聚合改为共享验证:每个客户端用本地数据和自家冻结大模型生成的候选回答训练一个验证器,服务器把这些独立训练的验证器汇成池,推理时按池内评分挑选回答,骨干参数始终不合并。在五个医疗问答数据集上,各中心分别使用 3B 到 14B 的 Qwen 与 LLaMA 骨干,同一个验证器池无需重新训练即可复用于全部五个骨干,平均准确率比最强的常规联邦基线高 1.46 到 5.79 个百分点。

  3. researchsquare.com

    楼宇之间不再无条件共享预测模型:接收方先做本地交叉验证,Electricity上避开3%以上的负迁移

    分布式楼宇能源管理依赖负荷预测,但联邦预测通常只报误差、不检验它支持的调度决策。UtilityGossip在每个节点保留私有与协作两个低秩适配器,只有本地留出数据上的随机四折交叉验证显示误差显著下降时才接纳邻居适配器。在Electricity基准上,无条件联邦使均方误差比本地训练高3%以上,而该门控方法避免了这一退化;在Solar-Energy的96步预测上,其均方误差比本地训练低1.59%,通信量为FedAvg的一半。

  4. 车辆离开后不必整体重训:单轮联邦模型可精确编辑,移动模拟中累计时间省36%–44%

    单轮联邦学习把训练压到一次通信,但模型训练完就固化,车辆加入或退出后只能整体重训。F-SOSA 按固定规模随机抽取客户端子集,使相邻设备集合下的输出分布在总变差距离上有界,再把曲率感知融合改写成按客户端可加的充分统计量投影,并据此给出撤回贡献的 F-SOSA-U 与纳入新贡献的 F-SOSA-I。在 SUMO 城市移动模拟中,两者精度与重训相当,累计时间与通信开销分别降低 36%–44% 和 22%–33%。

  5. arXiv

    同一套自监督预训练,轴承故障分类宏F1从0.350升到0.812,剩余寿命预测却没能超过从零训练

    在47个统一张量契约的公开PHM数据集上,一个80万参数、按通道独立处理的Transformer编码器用掩码片段预测做自监督预训练,在完全留出的CWRU轴承故障分类上把宏F1从0.350提到0.812,HSG18硬盘数据从0.569提到0.951,冻结编码器加一层线性探测已达0.705和0.906;但同一套预训练在CMAPSS剩余寿命估计上不能可靠超过从零训练基线。改为十个按物理域分组的客户端做联邦模拟后,等预算下分类仍落后集中式编码器,且自监督损失不能用来挑选检查点。

  6. researchsquare.com

    隐私联邦学习不再整包上传:按网络阶段筛出可共享的体育语义,强隐私下识别率提高约4个点

    体育图像分散在学校、俱乐部等机构,联邦学习虽不传原图,但上传的模型更新仍可能泄露信息,差分隐私的裁剪与噪声又会损伤有用知识。FedSS 在裁剪之前按网络阶段评估每部分更新的可共享程度,只把跨客户端可迁移的体育语义加噪上传,把客户端特有的外观、背景等上下文留在本地。在 sport22 与 sport100 上,它相对最强基线 DPSIR-Fed 在视觉上下文异质设置下分别高出 5.78 和 5.71 个百分点,在 ε=4 的强隐私设置下把 sport22 准确率从 42.67% 提到 46.81%。

  7. arXiv

    联邦微调不再二选一:全局适配器共享、个性化投影留在本地,十个数据集平均调和均值82.15

    BLEND把CLIP的联邦微调拆成共享的视觉/文本适配器和每个客户端私有的视觉投影适配器,在十个图像数据集上把个性化与泛化的调和均值平均做到82.15,比最强基线高4.81个百分点。

  8. researchsquare.com

    物联网设备不再靠固定凭证验身:行为指纹加联邦学习,成员推断攻击成功率从48.2%降到12.4%

    物联网设备认证正从一次性核验固定凭证转向持续核验设备行为。此前静态凭证与集中式信任在设备被攻破后难以察觉异常,且会暴露可识别标识。该方案用硬件行为指纹、联邦学习与差分隐私、轻量许可链和智能体编排组合成持续认证流程;在PP-IDE数据集的11台树莓派上,差分隐私把成员推断攻击成功率从48.2%降到12.4%,认证准确率为99.2%。

  9. arXiv

    油田站点不再把流量交给聚合器:秘密共享让服务器只看到一个接受位,30%攻击者下F1守住0.641

    油田站点把本地流量更新拆成两份秘密共享,两台不串通的服务器只判断接受或拒绝,在30%自适应攻击者下宏F1为0.641,而FedAvg降到0.046。

  10. arXiv

    联邦微调里的水印会被稳健聚合器洗掉:把水印更新伪装成内点,单个客户端用3.3%有效水印数据仍能验出

    在联邦大模型微调中,服务器用强拜占庭稳健聚合器RandEigen会把现有文本水印更新当作异常值滤掉,而把水印样本的输入嵌入优化成贴近干净更新的内点后,单个客户端仅凭自己3.3%的有效水印数据即可在训练后以黑盒方式验出模型用过该数据。