arXiv · cs.AI· Ali Mohammadi Ruzbahani·· 14 小时前AI 评分28
FedReason：让 LLM 充当异构联邦学习的权重空间元聚合器
FedReason: Large Language Models as Weight-Space Meta-Aggregators for Heterogeneous Federated Learning
来源与原文
arXiv · cs.AI
作者：Ali Mohammadi Ruzbahani
发布时间：（北京时间）
阅读原始来源 · arxiv.org ↗完整链接与内容说明
https://arxiv.org/abs/2611.08383v1
本站目前仅有 AI 导读与摘要，未展示原文正文；技术细节、代码和完整结论请查看原始来源。
AI 导读
FedReason 让 LLM 在联邦学习服务器端每十轮分析客户端模型权重并提交一段 Python 聚合程序，全程无需服务器训练，完整权重张量不出服务器。在 CIFAR-10/CIFAR-100 上以 Claude Opus 5.5 测试，12 组标签偏斜配对实验中平均比 FedAvg 高 1.26 个百分点（10 胜），比同等代理预算的标准规则选择控制高 1.08 个百分点；十客户端中三个恶意时首轮即排除全部符号翻转客户端，准确率约低于 FLTrust 一个百分点。去掉代理反馈后单种子准确率从 73.8% 降至 38.8%，60 轮运行平均 API 费用 0.79 USD。
来源：arXiv · cs.AI · arxiv.org
这条消息，你怎么看？
把新闻带到 MickerBook，和社区伙伴聊聊；也可以去 AIHER 看看模型背后的角色与梗。