热点事件持续更新
研究人员提出联邦学习框架FedSharp
1 篇报道1 个报道来源2 小时前更新
先了解这件事
AI 综述
2026年11月5日，arXiv发布的研究提出去中心化联邦学习框架FedSharp。该框架结合坐标级中位数筛选、候选模型排序平均与噪声自适应正则化，用于防御噪声信道环境下的拜占庭攻击与非IID漂移。实验显示，在包含33个拜占庭节点的100节点环形网络中，FedSharp在MNIST和CIFAR-10数据集上的准确率分别达到93.5%-94.9%与32.8%-48.8%，大幅超越SOTA基准并逼近无噪声水平。
AI 根据报道生成 · 2 小时前更新
最新进展11月5日 13:00
研究人员提出FedSharp框架，有效应对噪声信道下的拜占庭攻击与漂移。报道时间线
沿着报道，了解事件的不同侧面。
11月5日
- arXiv cs.LGFedSharp：噪声信道下的拜占庭鲁棒去中心化联邦学习
研究提出去中心化联邦学习框架 FedSharp，通过坐标级中位数筛选、候选模型排序平均与噪声自适应正则化，有效防御噪声信道下的拜占庭攻击与非 IID 漂移。在包含 33 个拜占庭节点的 100 节点环形网络中，FedSharp 在 MNIST 和 CIFAR-10 上的准确率分别达到 93.5-94.9% 与 32.8-48.8%，大幅超越 SOTA 基准且逼近无噪声水平。
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。