DeFiRank联邦排序框架论文发布：性能略低于中心化基线
热点事件持续更新
DeFiRank联邦排序框架论文发布：性能略低于中心化基线
1 篇报道1 个报道来源4 小时前更新
先了解这件事
AI 综述
Zahra Batool、Michael Duchesne、Kaiwen Zhang 和 Ulrich Aivodji 在 arXiv 发布论文，提出基于联邦学习的成对排序框架 DeFiRank，用于去中心化金融网络治理：多家机构可在不共享私有交易数据的情况下协同训练排序模型，依据行为真实性对网络提供者进行升降级排序。 在真实区块链交易数据集上的结果显示，联邦方法的排序性能略低于中心化基线（NDCG@15 约 0.87 对 0.92），排序稳定性相当（Kendall τ 均约 0.70），并完成 648 个提供者升级和 39 个降级，无需集中访问敏感交易数据。
AI 根据报道生成 · 2 小时前更新
最新进展10月12日 12:00
DeFiRank：面向去中心化金融网络治理的联邦成对排序方法报道时间线
沿着报道，了解事件的不同侧面。
10月12日
- arXiv · cs.AIDeFiRank：面向去中心化金融网络治理的联邦成对排序方法
DeFiRank 是一种基于联邦学习的成对排序框架，多家机构可在不共享私有交易数据的情况下协同训练排序模型，依据行为真实性对网络提供者进行升降级排序。在真实区块链交易数据集上，其排序性能略低于中心化基线（NDCG@15 约 0.87 对 0.92），排序稳定性相当（Kendall τ 均约 0.70），并完成 648 个提供者升级和 39 个降级，无需集中访问敏感交易数据。
本事件热度走势
- 可比范围当前
- 9
- 可比范围峰值
- 910月12日 14:00
- 近 24 小时变化
- –
02.557.510
14:0015:0016:00
趋势仅比较持续完整观测到的相同主体，范围可能小于当前热度统计。移动指针或点击图表查看每小时热度；键盘可用左右方向键切换。