Fed-Universe 提出四层联邦学习架构，用协商式对齐替代全局平均
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载四层架构各自做什么
Fed-Universe 的核心主张是：常规联邦学习隐含地优化全局均值，在跨站点异构下会压制少数方。作者把对齐拆成四层。S 层部署可在边缘运行的 LLM 作为语义代理，把异构输入翻译成标准化的患者画像提示词，解决输入格式不统一的问题。G 层负责几何质量保证，构造从统计参数空间 Theta 到物理可解释质量域 Q 的映射，并用余弦相似度门控决定是否保留少数节点的更新，判断依据是物理几何而非统计距离。T 层做拓扑 Pareto 控制，找出基于敏感度的膝点 lambda_k，在多目标聚合中避免多数方性能退化。H 层则引入认知孪生，镜像用户实时心理状态，通过主动意图对齐动态切换人机交互模式。
仿真验证与少数节点结果
作者没有停留在架构描述，而是在一个两国合成临床网络仿真上验证了 S-G-T 三层，H 层未纳入这次实验。结果被称为零和逃离：一个数据量占比不足 3% 的少数节点，其损失从 0.857 降到 0.340，效用与占主导地位的枢纽节点持平。这个数字是全文给出的主要实证依据，说明按几何质量而非统计邻近度筛选更新，可以让小数据方不被全局均值淹没。论文篇幅为 5 页、2 张图，属于概念验证性质，实验规模限于合成数据与仿真网络。
后续方向与发表信息
作者把 Fed-Universe 的扩展规划为两个方向：面向机构的多模态对齐 Fed-Ultra，以及面向个体认知意图对齐的 Fed-Human。前者对应跨机构数据在模态层面的统一，后者对应 H 层所描述的用户意图与心理状态建模。论文收录于第 39 届加拿大人工智能会议 Canadian AI 2026 proceedings，PMLR 318:1219-1223，arXiv 编号 2610.34009。对关注联邦学习聚合策略与异构性处理的研究者，可重点看 G 层的门控设计与 T 层膝点选取的具体做法。
为什么值得看
联邦学习长期偏向多数节点，这篇给出可解释的少数更新保留机制，并附仿真数据。
信源1 家
关键事实
相关 · 论文
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。