跳到正文
热点事件持续更新

arXiv发布马尔可夫数据下流式联邦学习泛化间隙论文

1 篇报道1 个报道来源8 小时前更新

先了解这件事

AI 综述

2026年10月28日，Masoud Kavian等在arXiv发布论文《On the Generalization Gap of Streaming Federated Learning with Markovian Data》，提出流式联邦学习框架下基于马尔可夫数据的泛化理论。研究利用信息论与率失真技术，推导了客户端数据遵循马尔可夫过程时聚合模型的期望泛化间隙上界。在交叉熵损失下，研究将界限特化于线性下一词预测（LNTP）和自注意力下一词预测（SANTP），量化了客户端数量、通信轮次及混合时间对泛化的影响。研究揭示通信-泛化权衡：频繁聚合虽利于优化但可能削弱泛化保证；在固定数据预算下，分布式流式学习可能优于集中式学习。

AI 根据报道生成 · 3 小时前更新

最新进展10月30日 12:00
马尔可夫数据下流式联邦学习的泛化间隙研究

报道时间线

沿着报道，了解事件的不同侧面。

10月30日
  1. arXiv · ML
    马尔可夫数据下流式联邦学习的泛化间隙研究

    论文利用信息论与率失真技术，推导了客户端数据遵循马尔可夫过程时，聚合模型的期望泛化间隙上界。 在交叉熵损失下，研究将界限特化于线性下一词预测（LNTP）和自注意力下一词预测（SANTP），量化了客户端数量、通信轮次及混合时间对泛化的影响。 研究揭示了通信-泛化权衡，指出频繁聚合虽利于优化但可能削弱泛化保证，并表明在固定数据预算下分布式流式学习可能优于集中式。

本事件热度走势

可比范围当前
8
可比范围峰值
910月30日 17:00
近 24 小时变化
–

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。