非独立同分布数据下联邦学习中的电路崩溃

Research Paper#Federated Learning, Mechanistic Interpretability, Non-IID Data🔬 Research|分析: 2026年1月3日 19:18•
发布: 2025年12月28日 19:03
•
1分で読める
•ArXiv

分析

本文提供了对联邦学习 (FL) 在非独立同分布数据下表现不佳的机制性理解。它超越了仅仅观察性能下降，而是确定了根本原因：神经网络内功能电路的崩溃。这是朝着开发更具针对性的解决方案以改善 FL 在现实世界场景中的性能迈出的重要一步，在这些场景中，数据通常是非独立同分布的。
引用 / 来源
查看原文
"The paper provides the first mechanistic evidence that Non-IID data distributions cause structurally distinct local circuits to diverge, leading to their degradation in the global model."
A
ArXiv2025年12月28日 19:03
* 根据版权法第32条进行合法引用。
较旧

Video-BrowseComp: Benchmarking Agentic Video Research on Open Web

较新

3D sans 3D Scans: Scalable Pre-training from Video-Generated Point Clouds

相关分析

Research Paper

SpaceTimePilot：时空控制的生成视频渲染

2026年1月3日 06:10

Research Paper

量子混沌哈密顿量演化下的随机性生成

2026年1月3日 06:10

Research Paper

GaMO：几何感知扩散用于稀疏视角3D重建

2026年1月3日 06:32

来源: ArXiv