长时程联邦学习信任边界基准揭示门控机制困境
热点事件持续更新
长时程联邦学习信任边界基准揭示门控机制困境
1 篇报道1 个报道来源4 小时前更新
先了解这件事
AI 综述
Ting Xu与Henry Leung于2026年11月1日在arXiv发布基准研究，评估13个半合成站点联邦学习系统在600轮交互中的信任边界稳定性，代码在论文被录用后可用。 研究发现，固定参考门控虽优于起始模型，却允许29%对当前模型有害的传输；基于当前模型的门控虽将有害传输降至2%，却遗漏了对起始模型有益的部分，存在取舍困境。 在38%对抗站点场景下，FedFomo与CS-Gate是仅有的在诚实组中均实现正向平均增益的方法，为该基准测试提供了当前最优参考方案。
AI 根据报道生成 · 2 小时前更新
最新进展11月4日 13:00
长时域基准测试揭示接收方导向联邦学习中信任边界的时变失效报道时间线
沿着报道，了解事件的不同侧面。
11月4日
- arXiv · ML长时域基准测试揭示接收方导向联邦学习中信任边界的时变失效
研究评估了13个半合成站点组成的联邦学习系统在600轮交互中的信任边界稳定性。 固定参考门控虽优于起始模型，但允许了29%对当前模型有害的传输；基于当前模型的门控虽将有害传输降至2%，却遗漏了对起始模型有益的部分。 在38%对抗站点场景下，FedFomo与CS-Gate是仅有的在诚实组中均实现正向平均增益的方法。
本事件热度走势
- 可比范围当前
- 9
- 可比范围峰值
- 911月4日 15:00
- 近 24 小时变化
- –
02.557.510
15:0016:0017:00
趋势仅比较持续完整观测到的相同主体，范围可能小于当前热度统计。移动指针或点击图表查看每小时热度；键盘可用左右方向键切换。