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。
Selected work
Representative Papers
Legislating World-Model-Based Planning with Legal Reasoning
本文针对机器人法律规范控制问题，提出了一种结合可废止道义逻辑(DDL)和学习世界模型的法律规划框架，以在行动前进行干预。
0 citationsRead paper
Robust Decentralized Federated Distillation via Multi-Modality Knowledge Collaboration
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。
0 citationsRead paper
A mesh-free multiresolution deep energy method with phase-field modeling of brittle fracture
该研究提出一种无网格多分辨率深度能量方法，通过单个神经网络表示位移和相场，并直接最小化增量能量来解决脆性断裂问题。
0 citationsRead paper
AEGIS: Attention-Embedding Gradient Isolation Shield - Triple-Channel Gradient Masking for Privacy-Preserving Federated LLM Fine-Tuning
为解决联邦学习中梯度反转攻击导致的隐私泄露问题，提出AEGIS方法，通过冻结参数、噪声注入等手段阻断三个信息泄露通道。
0 citationsRead paper
Recent publications
Latest Papers
Legislating World-Model-Based Planning with Legal Reasoning
本文针对机器人法律规范控制问题，提出了一种结合可废止道义逻辑(DDL)和学习世界模型的法律规划框架，以在行动前进行干预。
0 citationsRead paper
Robust Decentralized Federated Distillation via Multi-Modality Knowledge Collaboration
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。
0 citationsRead paper
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。
A mesh-free multiresolution deep energy method with phase-field modeling of brittle fracture
该研究提出一种无网格多分辨率深度能量方法，通过单个神经网络表示位移和相场，并直接最小化增量能量来解决脆性断裂问题。
0 citationsRead paper
AEGIS: Attention-Embedding Gradient Isolation Shield - Triple-Channel Gradient Masking for Privacy-Preserving Federated LLM Fine-Tuning
为解决联邦学习中梯度反转攻击导致的隐私泄露问题，提出AEGIS方法，通过冻结参数、噪声注入等手段阻断三个信息泄露通道。
0 citationsRead paper