Optimización estocástica descentralizada no convexa bajo suavidad (L0,L1)
Nuevo algoritmo DNSGD: optimización descentralizada no convexa con suavidad (L0,L1). Logra punto estacionario con menor complejidad. ¡Descúbrelo!
#federado
FlashbackCL: Mitigando el Olvido Temporal en Aprendizaje Federado
FlashbackCL reduce el olvido temporal en aprendizaje federado hasta un 68% y mejora el rendimiento en datos no estacionarios. ¡Descubre su buffer de reproducción equilibrada!
FGRPO: Aprendizaje Federado con Agregación Adaptativa en Datos No IID
FGRPO: fine-tuning privado de modelos de lenguaje con agregación adaptativa en datos no IID. Mejora el razonamiento sin exponer datos.
FGRPO: Federated GRPO con Agregación Adaptativa en Datos No IID
FGRPO optimiza modelos de razonamiento con agregación adaptativa en datos no IID, preservando privacidad.
FederatedSkill: Evolución de Habilidades de Agentes con Aprendizaje Federado
FederatedSkill permite a agentes LLM evolucionar habilidades colaborativamente y con privacidad, aumentando el éxito un 44% y reduciendo costos un 37%.
DECA: Descentralizando el Ajuste Fino Completo de LLMs
Descubre DECA, el ajuste fino completo descentralizado para LLMs con Adam por bloques y datos no IID.
FederatedSkill: Aprendizaje Federado para Evolución de Habilidades de Agentes
FederatedSkill: marco de aprendizaje federado para evolución de habilidades de agentes con privacidad. Logra +44.4% éxito y -37.5% costos.
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.
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.
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.
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.