ELSA：面向隐私感知分层联邦学习的 LLM 高效分裂聚合

2026年10月20日，arXiv预印本平台发布论文《ELSA：面向隐私感知分层联邦学习的LLM高效分裂聚合》。该研究旨在解决资源受限边缘网络中，大语言模型训练面临算力、通信及隐私等多重挑战的问题。 ELSA被提出为一个整合分裂学习与分层联邦学习（HFL）的分布式微调框架。该框架引入三项关键技术：任务无关且感知客户端行为的聚类机制、资源感知的动态模型分区策略，以及结合计算草图与语义子空间正交扰动（SS-OP）的隐私保护技术。 这些技术协同作用，能够有效降低模型在边缘节点间的通信开销。同时，通过正交扰动等技术手段，框架旨在缓解大语言模型在分布式微调过程中的潜在隐私泄露风险，提升整体训练效率与安全性。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。