arXiv · ML· Hangli Ge, Noboru Koshizuka·· 29 天前AI 评分21
FAIR-O:扩展 FAIR 原则以增强联邦学习的可观察性与可信度
Extending FAIR Principles with Observability for Trustworthy Federated Learning
AI 导读
论文提出 FAIR-O 可观察性扩展,主张可信联邦学习需在模型更新外建立证据平面,且已开发 Python 原型验证。 该原型演示了每轮训练中由 TinyLLM 辅助生成的最小化签名信任证据生成与三级信任模型评估。 论文被 TrustFL-SIS 2026 研讨会接收,旨在解决本地数据无法自动保障联邦信任的问题。
来源:arXiv · ML · arxiv.org