ParaBlock: Aprendizaje Federado con Bloques Coordinados en Paralelo
Descubre ParaBlock: una técnica innovadora que acelera el aprendizaje federado de grandes modelos de lenguaje al paralelizar comunicación y computación, manteniendo el rendimiento.
#fed
Echelon: Agregados auditables para adaptación de modelos entre fronteras
Descubre cómo Echelon permite adaptar modelos de lenguaje entre organizaciones sin exponer datos, usando solo agregados auditables.
Denunció a DOGE y luego le cortaron los frenos
Un empleado federal de TI denunció irregularidades en DOGE. Tras hacer pública su queja, le cortaron los frenos. Ahora demanda por difamación a quien difundió información falsa.
El trabajo remoto, no la IA, reduce las oportunidades laborales juveniles
El trabajo remoto, no la IA, provoca el desempleo juvenil según la Fed. Sin mentoría, los jóvenes pierden oportunidades.
FedS2R: Generalización Federada One-Shot para Segmentación en Conducción Autónoma
Descubre FedS2R, el primer marco de generalización federada one-shot para segmentación semántica sintética-real en conducción autónoma, con mejoras en Cityscapes, BDD100K, Mapillary, IDD y ACDC.
Fusión de datos federados para efectos regionales en prevención del VIH
Descubre cómo la fusión de datos federados permite estimar efectos regionales de supervivencia en ensayos de prevención del VIH, preservando la privacidad.
Aprendizaje Federado Bayesiano: Personalización, Dispersión y Agrupamiento
Descubre pFedBayes, sFedBayes y cFedBayes: técnicas bayesianas para personalizar, dispersar y agrupar en aprendizaje federado.
Equilibrios no lineales en modelos de juego potencial para aprendizaje federado
Descubre cómo los modelos de juego potencial revelan transiciones críticas en el aprendizaje federado, optimizando el equilibrio entre esfuerzo y recompensa.
FedCF: Predicción conforme justa en aprendizaje federado
FedCF aplica equidad conforme en aprendizaje federado para garantizar cobertura justa en subgrupos. Aprende cómo auditar tu modelo.
FIRM: Alineación multiobjetivo regularizada en cliente federada
FIRM alinea LLMs con múltiples objetivos eficientemente y en privado usando aprendizaje federado. Mejora equilibrio entre utilidad e inocuidad.
Safe-FedLLM: Análisis de Seguridad en Modelos de Lenguaje Federados
Descubre Safe-FedLLM: un sistema de defensa que detecta actualizaciones maliciosas de LoRA en FedLLM, protegiendo la seguridad sin afectar la velocidad.
Plan federal de IA incluye nuevo fondo para impulsar empresas nacionales
El plan federal de IA incluye un nuevo fondo para impulsar empresas nacionales. Conoce las claves para aprovechar esta inversión en tu negocio.
Preservación de privacidad contra inversión de gradientes en FL tabular
Protege tu privacidad en aprendizaje federado tabular. Vemos cómo los ataques de inversión de gradientes revelan datos. Descubre factores clave de riesgo.
MERIT: Ajuste descentralizado de instrucciones con fusión de pesos
Descubre MERIT: un método descentralizado que mejora el ajuste de instrucciones en modelos multimodales fusionando pesos sin comunicación intensiva. Resultados superiores al entrenamiento conjunto.
FedSAP: cerrando la brecha de alineación-madurez en aprendizaje federado
FedSAP cierra la brecha de alineación-madurez en aprendizaje federado con prototipos, logrando hasta 4 puntos en datos no-IID y se extiende a semi-supervisado.
IntraShuffler: Marco de Privacidad para Aprendizaje Federado con DP Heterogéneo
IntraShuffler protege la privacidad en aprendizaje federado con DP heterogéneo, reduciendo ataques de inferencia sin perder utilidad.
Replay de Lista Estable Canonicalizado para Aprendizaje Federado Privado
CSLR logra entre 3.9 y 5.6 puntos de mejora en aprendizaje continuo federado con privacidad diferencial. Optimiza NLP sin compartir datos.
El problema de arquitectura empresarial que resuelven los grafos de contexto
Descubre cómo los grafos de contexto con inferencia y federación resuelven los problemas de arquitectura empresarial y aceleran las decisiones.
XAI-SOH-FL: Mejora de SOH-FL con Agregación Adaptativa e IA Explicable
Descubre XAI-SOH-FL: mejora la detección de intrusiones con agregación adaptativa e IA explicable, precisión del 94.12% en IoT heterogéneo.
FedMTFI: Destilación con importancia de características en FL heterogéneo
FedMTFI optimiza el aprendizaje federado heterogéneo con destilación multi-maestro y valores Shapley, mejorando precisión e interpretabilidad.