研究者提出可精确编辑的一次性联邦学习算法F-SOSA
热点事件持续更新
研究者提出可精确编辑的一次性联邦学习算法F-SOSA
1 篇报道1 个报道来源2 小时前更新
先了解这件事
AI 综述
Youming Tao 等研究者在 arXiv 提交论文，提出 F-SOSA——据称是首个支持快速精确模型编辑的稳定一次性联邦学习算法，通过本地模型子采样与曲率感知模型融合实现稳定聚合。 基于该算法开发的 F-SOSA-U（遗忘）与 F-SOSA-I（增量学习）可在单轮通信内编辑模型，论文称结果在统计上与重新训练不可区分，仅花费预期 O(ρ) 比例的代价。城市移动仿真实验显示其性能与重新训练相当，累计时间与通信开销分别至少降低 36% 和 22%。
AI 根据报道生成 · 36 分钟前更新
最新进展10月27日 12:00
F-SOSA：面向边缘设备动态的一次性联邦模型编辑算法报道时间线
沿着报道，了解事件的不同侧面。
10月27日
- arXiv cs.AIF-SOSA：面向边缘设备动态的一次性联邦模型编辑算法
研究者提出 F-SOSA，首个支持快速精确模型编辑的稳定一次性联邦学习算法，通过本地模型子采样与曲率感知模型融合实现稳定聚合。在其基础上开发的 F-SOSA-U（遗忘）与 F-SOSA-I（增量学习）可在单轮通信内编辑模型，统计上与重新训练不可区分，仅花费预期 O(ρ) 比例的代价。城市移动仿真实验显示，其性能与重新训练相当，累计时间与通信开销分别至少降低 36% 和 22%。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。