c_cpp_csharp的专栏

本文针对传统联邦学习（FL）仅支持同构模型、无法满足异构模型协作需求的局限，提出了首个异构联邦学习库与基准测试平台HtFLlib。该框架旨在解决当前异构联邦学习（HtFL）研究中数据集不统一、模型异构场景多样、方法实现差异大导致的评估困难，以及在医疗、传感器信号等领域适用性未充分探索的问题。数据资源：涵盖图像、文本、传感器信号3种模态，包含标签偏斜、特征偏移、真实世界3类异构场景的12个数据集（如Cifar10/100、AG News、HAR等）；模型资源。

联邦学习（FL）能够在不共享原始数据的情况下实现协同训练，但仍存在训练数据被记忆的风险。现有FL记忆检测技术每次仅关注单个样本，低估了跨样本记忆这一更隐蔽的风险。相比之下，近年来集中式学习（CL）领域已提出细粒度方法，用于评估训练数据中所有样本的跨样本记忆，但这些方法假设数据可集中访问，无法直接应用于FL。为填补这一空白，我们提出一个框架：通过跨所有客户端的细粒度跨样本记忆度量，量化FL中的客户端内和客户端间记忆。基于该框架，我们开展两项研究：（1）测量客户端间的隐蔽记忆；

当前，基于公开网络数据训练大型语言模型（LLMs）的模式正逐渐失去可持续性，专业领域的高质量数据源已濒临枯竭。联邦学习（FL）作为下一代去中心化Web人工智能的实用解决方案应运而生，它通过利用全球客户端分布的私有数据，实现了隐私保护型协同微调。低秩适应（LoRA）虽是高效微调的标准方法，但在联邦场景中的应用面临一个关键挑战：在Web异构网络环境下，通信开销仍是重大瓶颈。LoRA参数内部的结构冗余不仅带来沉重的通信负担，还会在客户端更新聚合时引发冲突。