Safe-FCL：面向LLM联邦持续学习的安全聚合框架论文

Shuaijie Ma 等在 arXiv 发布论文，提出 Safe-FCL 框架，用于大语言模型联邦持续学习中的恶意客户端更新防护。框架包含两个机制：持续风险感知（CRA）借助历史特征保护子空间约束检测器更新，降低对既有恶意模式的遗忘；细粒度安全聚合（FGSA）结合客户端风险评估与模块级更新偏差来调节聚合贡献。 论文声称实验显示 Safe-FCL 优于当前 SOTA 方法，在联邦持续学习中使全局模型的 Rule 和 MD-Judge 分数分别提升 0.41% 和 0.64%，平均风险识别准确率提升 2.01%。以上为论文摘要中的实验结论，本站未核验全文。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。