以 NVIDIA FLARE 建構聯邦多模態 AI 工作流程
NVIDIA FLARE 讓組織能在不集中敏感影像與文字資料的情況下，協調 vision-language models 的訓練。此方法支援視覺問答、圖片描述及圖文推理等多模態應用，同時讓原始資料保留在各機構本地。
Search
Tag: #federated-learning13 results
FedPref：無需共享資料即可訓練放射科報告擷取器
FedPref 是一種聯邦偏好學習方法，可將自由格式的放射科報告轉換為結構化 JSON，同時不共享報告或標註資料。在六家模擬醫院的實驗中，相較於各據點獨立訓練，FedPref 將客戶端平均 F1 提升 2.49 分、最差據點 F1 提升 9.10 分，且資料較少的據點獲益最大。
利用 AI Agents 加速聯邦學習研究
NVIDIA 在 NVIDIA FLARE 框架中引入了 Auto-FL，旨在簡化聯邦學習的實驗流程。透過 AI Agents 自動化超參數調整與模型架構選擇，減少驗證研究假設所需的人力。
FedRE：利用「糾纏」解決聯邦學習三難困境
來自中國信通院與清華大學的研究團隊提出了 FedRE，這是一個旨在平衡聯邦學習中隱私、通訊效率與模型效能的新框架。該方法利用基於「糾纏」的機制，克服了分散式 AI 訓練中固有的權衡難題。
FLARE：無重構聯邦學習
NVIDIA FLARE 讓聯邦學習無需重構現有 ML 程式碼，解決法規、主權與成本導致的資料不可移動問題。它使隱私保護的分散式資料訓練變得實際可行。此舉解決了可擴展協作 ML 的主要障礙。
Auto-FL-Research：聯邦學習演算法的代理搜尋框架
Auto-FL-Research (AFR) 是一個旨在自動化發現與優化聯邦學習 (FL) 演算法的代理工作流程。它透過醫療與 LEAF 資料集評估候選訓練配方，以區分真正的演算法改進與調參產生的偽影。
FedEPD：解決聯邦圖學習中的長尾分佈問題
FedEPD 是一個旨在解決聯邦圖學習中統計稀缺性和異質雜訊問題的新框架。透過雙重解耦與原型注入技術，該框架顯著提升了模型在少數類別上的表現。
⚙️
隱私保護技術在生產環境 ML 中的應用現狀
探討差分隱私與聯邦學習等隱私保護 ML 技術在現實生產環境中的部署情況，並分析業界從業人員面臨的工程挑戰與效能權衡。
LaDa：模型可學習性感知的聯邦推理蒸餾框架
LaDa 是一個聯邦推理蒸餾框架，透過自適應資料分配解決 LLM 與 SLM 之間的雙向可學習性差距。它使用模型可學習性感知過濾器，選擇高回報樣本以實現有效的知識轉移。領域自適應蒸餾透過對比學習對齊推理路徑，可作為現有框架的插件模組。
🔬
學生專案：聯邦對抗學習
計算機科學學生尋求「聯邦對抗學習」專案指導，使用 CICIDS2017 資料集。計畫用 Flower 實作聯邦學習，但對資安資料的對抗整合感到困惑。質疑如何產生類似 FGSM 的非影像對抗範例。