Ajuste fino federado consciente de conflictos en LLMs con MoE
Aprende cómo el marco FC-MoE resuelve conflictos en el ajuste fino federado de modelos de lenguaje grandes con mezcla de expertos, mejorando convergencia y
#no iid
Ajuste fino federado consciente de conflictos para LLMs con MoE
Descubre cómo FC-MoE optimiza el ajuste fino federado de LLMs con mezcla de expertos, resolviendo conflictos entre clientes para acelerar la convergencia y
Aprendizaje Federado Agrupado en una Ronda con Colaboración de Datos No IID
Descubre cómo DC-CFL permite el aprendizaje federado agrupado en una sola ronda de comunicación, superando la heterogeneidad de datos no IID con alta precisión.
CLoVE: Aprendizaje Federado Personalizado con Agrupación de Pérdidas
Descubre CLoVE, aprendizaje federado que agrupa clientes según sus pérdidas para lograr modelos personalizados con alta precisión y convergencia rápida.
De la heterogeneidad de datos a la convergencia: revisión centrada en datos del aprendizaje federado
Descubre cómo la heterogeneidad de datos afecta la convergencia en aprendizaje federado. Revisión centrada en datos con soluciones prácticas.
HyperLoRA: Amortizando la adaptación federada de modelos fundacionales
HyperLoRA elimina sesgos de agregación y retrasos en inicialización, logrando convergencia más rápida y personalización robusta en modelos fundacionales.
DPDL: Privacidad diferencial en aprendizaje descentralizado con datos no IID
DPDL protege tu privacidad en aprendizaje descentralizado con datos no IID mediante calibración y ruido gaussiano. Logra velocidad lineal y alta precisión.
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.
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.
DECA: Ajuste Fino Completo Descentralizado de LLMs en Datos No IID
Descubre DECA: ajuste fino completo descentralizado de LLMs en datos no IID. Eficiente y rápido. ¡Infórmate!
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.