2305 篇论文
本文提出并评估了一种用于联邦学习的高性能 C++20 实现，该实现涵盖了拜占庭鲁棒聚合算法（Krum、Multi-Krum、修剪平均值和中位数），并通过严谨的正当性检查与基准测试证明，将显式的拜占庭假设与数值防御型原生系统设计相结合，能够在保持对抗性更新鲁棒性的同时，显著加速聚合过程。
本文提出并验证了一种用于联邦学习的策略门控零信任架构，该架构通过将身份与签名令牌绑定、强制执行带有密码学随机数（nonces）的严格注册租约，并将网络认证与模型影响力解耦，并通过针对 22 种对抗场景的严格测试，以确保只有经过授权、新鲜且未被撤销的参与者才能影响全局模型。
本综述通过区分混合专家（MoE）架构中的自适应路由与递归学习，提出了递归自适应递归学习（RARL）框架，该框架综合了关于动态计算与专家专业化的现有文献，同时概述了旨在解决路由稳定性及资源受限智能分配等挑战的研究议程。
本研究通过受控模拟和对真实世界基准测试的二次分析表明，在软件缺陷预测中使用混合随机训练/测试划分，与具备项目感知能力的验证方法相比，会产生系统性乐观的性能估计，从而凸显了建立尊重项目边界的评估协议的紧迫需求。
本研究提出了一种用于登革热爆发预测的可信人工智能框架，该框架集成了时序融合 Transformer 与概率不确定性估计、内在可解释性以及基于规则的风险分层技术，旨在超越基准模型并支持公共卫生决策。
本研究表明，一种基于法定人数限制（quorum-bounded）的异步联邦学习设计能够有效地将由落后者（straggler）引起的延迟降低高达 72%，且不会显著损害最终精度，尽管研究也揭示了数据异质性会严重放大对抗性客户端所造成的收敛破坏。
本文引入了一个针对联邦学习的严重程度校准对抗基准，该基准在多种条件下评估了五类不同的攻击家族，证明了仅凭攻击强度不足以作为破坏程度的指标，且鲁棒的安全评估必须考虑攻击几何结构、恶意群体比例以及聚合规则。
本文研究了利用大型多语言模型中的印地语表示，通过推理时转向（inference-time steering）生成低资源天那伽里字母语言（迈蒂利语、尼泊尔语和博杰普尔语）的机制极限，发现虽然单向量偏移可以诱导目标语言的遵循，但它不可避免地会导致流畅度崩溃，从而揭示了可转向性受限于线性可分性，而非模型的能力或词汇重叠。
本文表明，尽管大规模模糊测试活动未在 Bouncy Castle 1.85 的后量子解码与验证路径中发现缺陷，但阳性对照方法通过成功揭示 Bouncy Castle 1.84 及多个 JDK 版本中的关键长度校验漏洞，验证了测试套件的有效性，并显示这些实现仅在检查的时机上存在差异，而非决策逻辑上的差异。
这项预注册研究系统地测试了果蝇大脑拓扑结构是否能改进语言模型，并发现尽管采用了各种架构集成方式，但与随机、度匹配或原生基准相比，果蝇衍生的布线在降低负对数似然或提高联想检索方面并未提供可衡量的优势。