Robust Decentralized Personalized Federated Learning via Prediction-Constrained Neighborhood Collaboration
本文提出了一种鲁棒的去中心化个性化联邦学习方法R-DPFL,通过稳健的邻域方向估计和基于历史的更新趋势预测来减少拜占庭攻击的影响。
本文提出了一种鲁棒的去中心化个性化联邦学习方法R-DPFL,通过稳健的邻域方向估计和基于历史的更新趋势预测来减少拜占庭攻击的影响。
针对个性化服装设计与制作难题,提出EasyFashion系统,通过人机协作方式利用参考图、文本描述和身体照片生成符合用户需求的设计及裁剪图案。
本文提出了一种鲁棒的去中心化联邦蒸馏方法,通过多模态知识协作解决异构模型间在非IID数据和拜占庭攻击下的预测准确性问题。
为解决大语言模型在处理长上下文学习任务时的脆弱性,提出了一种新的上下文编译架构CCA,通过将文本编译成类型化的中间表示来提高模型性能。
本文提出TRIAGE方法,通过预训练、课程调优和集成学习解决全身PET/CT中交互式病灶分割问题。
针对个性化服装设计与制作难题,提出EasyFashion系统,通过人机协作方式利用参考图、文本描述和身体照片生成符合用户需求的设计及裁剪图案。
本文提出了一种鲁棒的去中心化联邦蒸馏方法,通过多模态知识协作解决异构模型间在非IID数据和拜占庭攻击下的预测准确性问题。
本文提出了一种鲁棒的去中心化个性化联邦学习方法R-DPFL,通过稳健的邻域方向估计和基于历史的更新趋势预测来减少拜占庭攻击的影响。
为解决大语言模型在处理长上下文学习任务时的脆弱性,提出了一种新的上下文编译架构CCA,通过将文本编译成类型化的中间表示来提高模型性能。
本文提出TRIAGE方法,通过预训练、课程调优和集成学习解决全身PET/CT中交互式病灶分割问题。