FedReason：LLM 充当联邦学习权重空间元聚合器
热点事件持续更新
FedReason：LLM 充当联邦学习权重空间元聚合器
1 篇报道1 个报道来源14 小时前更新
先了解这件事
AI 综述
Ali Mohammadi Ruzbahani 发表论文提出 FedReason：由 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，服务器无需训练，完整权重张量不出服务器；程序输出无效时回退到 FedAvg。 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。
AI 根据报道生成 · 2 小时前更新
最新进展11月6日 02:00
FedReason：让 LLM 充当异构联邦学习的权重空间元聚合器报道时间线
沿着报道，了解事件的不同侧面。
11月6日
- arXiv · cs.AIFedReason：让 LLM 充当异构联邦学习的权重空间元聚合器
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。
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。