A Survey on Incentive Mechanisms and Fairness in Federated Learning |联邦学习激励机制与公平性综述

简介: 联邦学习(FederatedLearning,FL)允许多方在不共享原始数据的前提下协作训练模型,其去中心化特性在保护隐私的同时引发了“参与困境”:客户端面临计算与通信成本,而全局模型作为非排他性公共产品易导致“搭便车”行为。早期研究聚焦于模型聚合效率,假设客户端数据独立同分布且参与率恒定,忽略了客户端作为理性经济主体的策略行为。随着去中心化场景普及,研究范式发生关键转折,从单纯的随机选择转向基于博弈论和机制设计的激励对齐,旨在解决客户端策略性参与问题。2020至2026年间,研究重心从单一的性能优化转向多维度的公平性与激励协同,核心矛盾从模型收敛效率转变为客户端策略性参与下的公平与激励平衡。

综述原文见 www.arxivreview.com

导读

联邦学习(Federated Learning, FL)允许多方在不共享原始数据的前提下协作训练模型,其去中心化特性在保护隐私的同时引发了“参与困境”:客户端面临计算与通信成本,而全局模型作为非排他性公共产品易导致“搭便车”行为。早期研究聚焦于模型聚合效率,假设客户端数据独立同分布且参与率恒定,忽略了客户端作为理性经济主体的策略行为。随着去中心化场景普及,研究范式发生关键转折,从单纯的随机选择转向基于博弈论和机制设计的激励对齐,旨在解决客户端策略性参与问题。2020 至 2026 年间,研究重心从单一的性能优化转向多维度的公平性与激励协同,核心矛盾从模型收敛效率转变为客户端策略性参与下的公平与激励平衡。激励机制、贡献评估、模型公平与参与选择并非孤立模块,而是相互耦合的系统工程,共同构成了“激励-公平-安全”三角平衡。当前领域处于从理论均衡向工程落地过渡的关键期,研究热点集中在解决非独立同分布(Non-IID)数据下的贡献评估偏差、异构资源约束下的公平参与,以及去中心化架构中的信任与奖励分配。全文按问题演化与路线取舍组织,覆盖该领域从奠基到当前的主要工作,为读者提供一张领域认知地图。

1. 研究背景、问题结构与演进脉络

联邦学习的核心痛点已从“如何训练”转变为“如何让人愿意且公平地参与”。这种转变源于公共产品属性与私有成本的非对称性:全局模型一旦生成,所有客户端均可受益,但训练过程需要客户端投入计算、通信资源并承担隐私泄露风险。早期联邦平均算法(FedAvg, 2017)奠定了联邦学习的基础架构,通过服务器聚合客户端本地梯度更新来训练全局模型,但其假设客户端数据独立同分布且参与率恒定,完全忽略了策略性参与和激励问题。这种理想化假设在真实场景中迅速失效,客户端因成本或隐私顾虑而减少贡献的“搭便车”困境成为制约系统性能的核心瓶颈。

问题定义随之演化,从静态聚合转向策略性参与建模。2020 年前后,研究者开始识别客户端作为理性经济主体的行为模式,传统随机客户端选择策略因缺乏公平性保障,容易因设备异构性或网络波动导致部分客户端长期被排除,加剧了模型性能的不均衡。这一阶段的研究重点在于识别选择过程中的机会公平与代表性偏差,促使问题结构从单纯的模型收敛扩展至参与机制的公正性。2021 年,源自合作博弈论的 Shapley 值被引入作为贡献评估的理论标准,用于量化每个参与者对整体模型性能的边际贡献。尽管 Shapley 值被视为公平奖励分配的金标准,但其在高维参数空间中的计算成本极高,且存在估计不稳定性,这激发了对近似算法和稳定评估方法的研究,也标志着问题定义从“如何激励参与”深化为“如何公平地量化贡献”。

子问题间存在强依赖与耦合关系,构成了复杂的系统结构。贡献评估是激励分配的基础,若不解决评估稳定性,就无法实现公平的奖励分配;参与公平是激励有效性的前提,若选择机制不公,激励机制将加剧而非缓解偏差;隐私成本则是激励设计的约束条件,忽视差分隐私(Differential Privacy, DP)引入的隐私成本会导致激励不足或过度。模型公平性优化作为底层技术支撑,通过消除数据异质性导致的性能不公,间接影响贡献评估的准确性。这种耦合关系意味着任何单一维度的优化都可能因其他维度的失衡而失效,要求研究者采用系统性的视角进行机制设计。

异构性(Heterogeneity)是导致公平性偏差和激励设计复杂性的主要来源,包括数据分布(Non-IID)和系统资源(计算/通信)的差异。数据异构性导致不同客户端对全局模型的贡献难以直接比较,资源异构性则使得统一参与标准对弱势群体构成壁垒。2023 年,基于博弈论的逆向拍卖框架被引入,用于在信息不对称下优化社会福利,但通常假设客户端行为理性且静态,难以应对动态参与和策略性欺骗行为。2024 年,去偏聚合算法开始关注模型在敏感属性上的系统性偏差,通过调整聚合权重或引入公平性正则化项来消除性能不公,揭示了联邦模型在公平性定义上的碎片化问题。

2025 至 2026 年,研究重心进一步扩展至动态异构与隐私协同。IncentFedAvg(2025)将合作学习与非合作博弈耦合,通过投影梯度法动态更新客户端参与策略,在纳什均衡框架下保证算法收敛,解决了策略性参与下的性能保证问题。FedRandom(2025)提出基于随机聚合策略的贡献值采样技术,通过集成多种聚合算法增加样本量,解决了 Shapley 值估计中的不稳定性问题。SWAN 机制(2026)则在模型交易与共享框架下,利用网络效应最大化社会福利,突破了传统机制设计忽略网络效应的局限。FairEquityFL(2026)针对异构物联网网络,通过动态调整选择概率确保每个客户端获得与其独特情况相匹配的参与机会。这些工作共同指向一个目标:在高波动、资源受限环境中实现帕累托最优的社会福利最大化。

当前领域处于“激励-公平-安全”三角平衡的深化阶段,问题边界已涵盖策略性博弈、隐私成本及资源异构的复杂系统。研究不再局限于单一的性能指标,而是追求在满足激励相容(IC)与个体理性(IR)约束下,实现对客户端多维贡献(性能、隐私、可靠性)的公平量化与补偿。这种多维协同的要求使得机制设计变得更加复杂,但也为理论创新提供了广阔空间。

如果用一个核心问题概括该领域,那便是在去中心化、异构且存在策略性行为的联邦学习环境中,如何设计满足激励相容与个体理性约束的机制,以实现对客户端多维贡献的公平量化与补偿,从而最大化社会福利并保障系统长期可持续性。

2. 方法体系

  • 2017:FedAvg——提出联邦平均算法,奠定联邦学习基础架构,假设数据独立同分布且参与率恒定。

  • 2020:随机客户端选择——传统联邦学习普遍采用的选择策略,简单高效但缺乏公平性保障,易导致长期参与偏差。

  • 2021:Shapley值——源自合作博弈论的贡献评估指标,量化边际贡献,但计算成本极高且存在估计不稳定性。

  • 2023:拍卖机制——基于博弈论的逆向拍卖框架,优化社会福利,解决信息不对称下的激励兼容问题,但假设行为静态。

  • 2025:IncentFedAvg——激励感知的联邦平均算法,耦合合作与非合作博弈,在纳什均衡框架下保证收敛,解决策略性参与性能保证。

  • 2025:FedRandom——基于随机聚合策略的贡献值采样技术,通过集成多种聚合算法提高估计稳定性,无需修改客户端逻辑。

  • 2026:SWAN机制——在模型交易与共享框架下利用网络效应最大化社会福利,考虑泛化误差的非单调影响,实现应用感知优化。

  • 2026:FairEquityFL——针对异构物联网网络的公平选择框架,通过动态调整选择概率缓解设备能力差异导致的长期参与不公。

这条时间线勾勒了该领域方法演进的代表性节点:从 2017 年的 FedAvg 奠定该领域方法基线,经 2020 年 随机客户端选择 的推进,到 2026 年的 SWAN机制 代表当前前沿。各节点对应的技术路线、取舍与关联,详见后续小节。

2.1 激励机制设计

激励机制设计旨在解决客户端“为何参与”的问题,其核心是通过奖励补偿成本,确保系统可持续性。早期工作如 FedAvg 假设客户端参与率恒定,忽略了策略性行为,导致搭便车问题无法解决。2023 年引入的拍卖机制通过逆向拍卖框架让客户端竞标任务,根据数据质量和资源成本分配奖励,有效解决了信息不对称下的激励兼容问题。然而,该方法通常假设客户端行为理性且静态,难以应对动态参与和策略性欺骗行为,且在复杂网络效应下可能导致激励失效。

针对静态假设的局限,IncentFedAvg(Maleki et al., 2026, P13)提出了一种激励感知的联邦平均算法,将合作学习与非合作博弈耦合,通过投影梯度法动态更新客户端参与策略。该方法在纳什均衡框架下保证算法收敛,解决了策略性参与下的性能保证问题。其核心创新在于将参与策略更新与模型训练同步进行,服务器广播当前估计的纳什均衡以协调客户端行为。这一设计放弃了传统联邦学习假设固定参与率的局限,换取了激励对齐与学习稳定性的统一,但代价是引入了复杂的博弈论建模与计算开销,且假设客户端完全理性,难以应对非理性或恶意行为。

SWAN 机制(Li et al., 2026, P5)则进一步突破了传统机制设计忽略网络效应的局限。在模型交易与共享(MoTS)框架下,该机制考虑了客户端参与对模型泛化误差的非单调影响,通过优化参与集合和奖励分配来平衡性能约束与激励成本。它假设客户端效用随泛化误差降低而增加,且边际效用呈现特定非线性特征,通过理论分析证明了机制的激励兼容性和个体理性。与 IncentFedAvg 侧重于收敛性保证不同,SWAN 机制侧重于应用感知的社会福利最大化,两者在目标函数上存在互补性:前者确保系统稳定,后者确保资源利用效率。

JSAM(Xu et al., 2026, P11)将视角转向差分隐私场景,提出隐私滞后者鲁棒的联合客户端选择与激励机制设计。该方法将客户端选择与隐私补偿联合优化,考虑异构隐私敏感性和严格的收敛性分析。核心模块包括基于虚拟成本的客户端选择策略和隐私预算分配机制,旨在最小化服务器成本同时满足激励兼容和个体理性约束。它解决了传统机制在差分隐私场景下因隐私成本差异导致的参与不公问题,通过引入滞后者鲁棒性设计确保低隐私成本客户端不被过度剥削。这一路线与 IncentFedAvg 和 SWAN 的区别在于,它将隐私成本显式纳入效用函数,放弃了隐私作为内在需求的假设,换取了在异构隐私敏感度下的公平性,但增加了机制设计的复杂度。

CoSIFL(Xie et al., 2025, P2)则整合了鲁棒安全防御与激励驱动协作,通过 Pareto 选择原则确定最优客户端子集、迭代次数和总奖励,同时利用报警信号和鲁棒聚合策略过滤恶意更新。它解决了安全威胁与激励不足并存的问题,假设客户端能够基于局部测试集检测全局模型异常并发送报警信号。与前述方法相比,CoSIFL 更侧重于安全与激励的耦合,通过协作生态系统确保客户端在隐私保护和资源高效利用下积极参与,为去中心化场景下的信任验证提供了新的思路。

2.2 贡献评估与公平

贡献评估是激励分配的基础,旨在解决“如何量化”的问题。Shapley 值作为理论标准,在高维参数空间中计算成本极高,且存在估计不稳定性,限制了其在大规模联邦系统中的实时应用。FedRandom(Geimer et al., 2026, P9)提出了一种采样一致且准确的联邦学习贡献值评估技术,通过随机化聚合策略增加样本量。该方法在服务器端均匀采样多种聚合算法(如 FedAvg, FedAdam)作为每轮的聚合函数,模拟大量联邦训练过程以生成贡献值分布。它解决了 Shapley 值估计中的不稳定性问题,通过集成多种策略的平均值提供更鲁棒的贡献估计。FedRandom 放弃了精确计算的假设,换取了计算可行性和估计稳定性,无需修改客户端训练逻辑,但代价是估计精度略低于精确方法,且依赖聚合策略集合的多样性,存在采样方差。

MURIM(Madabushi et al., 2025, P4)则从单一维度转向多维声誉激励,整合隐私、资源约束、公平性和可靠性四个维度进行客户端评估。该方法利用主观逻辑框架融合多轮证据,计算客户端的可靠性得分以指导奖励分配,并采用子空间杠杆均衡器防止少数客户端集群主导更新。它解决了单一维度激励导致的恶意行为问题,实现了多维约束下的公平与可信激励。与 FedRandom 侧重于评估稳定性不同,MURIM 侧重于评估的全面性和抗操纵能力,两者在贡献评估的维度上形成互补:前者确保数值稳定,后者确保语义合理。

FedRAC(2026, P16)提出滚动子模型分配以实现协作公平,通过动态调整子模型分配解决声誉权重固定导致的早期奖励不足问题。该方法引入滚动子模型提取策略,根据客户端贡献动态分配模型参数,确保低贡献客户端在早期阶段获得适当奖励。它解决了传统方法中声誉权重固定导致的跨模型不一致性问题,提升了全局模型性能和公平性。FedRAC 与 MURIM 的区别在于,前者侧重于时间域内的动态调整,后者侧重于空间域内的多维融合,两者共同指向了贡献评估从静态快照向动态过程演变的趋势。

Beyond performance-wise Contribution Evaluation(Pejo, 2026, P12)进一步拓展了贡献评估的边界,提出一种多维信任评估框架,整合公平性、可靠性和韧性维度量化客户端贡献。该方法不仅关注模型性能提升,还考虑数据质量、隐私保护和抗攻击能力对贡献的影响。它解决了传统贡献评估仅关注性能指标的局限,提供了更全面的信任评估视角。这一工作与 MURIM 和 FedRAC 共同构成了多维贡献评估的方法体系,强调了单一性能指标无法反映客户端对系统整体信任度的贡献。

2.3 模型公平性优化

模型公平性优化旨在解决“如何消除偏差”的问题,通过去偏算法、嵌入蒸馏或校准更新,消除数据异质性导致的性能不公。早期去偏聚合算法多依赖客户端侧的数据重加权或服务器侧的统计校正,但往往缺乏收敛性理论保证且对特定公平指标敏感。EquFL(Yu et al., 2026, P6)提出一种服务器端校准更新方法,通过合成数据集反映客户端训练行为来减少偏差。该方法兼容多种公平指标(如平等机会、人口统计平价)和聚合规则,无需额外客户端信息。它解决了客户端侧去偏方法依赖本地训练修改的局限,提供了通用且高效的服务器端解决方案。EquFL 放弃了客户端本地修改的假设,换取了方法的通用性和隐私友好性,但代价是依赖早期全局模型的质量,若早期模型偏差大,校准效果有限。

CoRe-Fed(Mukhtiar et al., 2026, P7)则通过联邦嵌入蒸馏桥接协作公平与表示公平,利用对比损失和知识蒸馏对齐客户端嵌入向量。该方法引入历史参与感知加权,平衡客户端参与频率与表示相似度,以消除局部数据偏差导致的表示空间错位。它解决了传统聚合方法忽略表示相似性的问题,提升了全局模型在异构数据下的公平性与一致性。与 EquFL 侧重于统计校正不同,CoRe-Fed 侧重于表示空间的对齐,两者在去偏机制上存在差异:前者调整聚合权重,后者调整嵌入结构。

Federated Learning at the Forefront of Fairness(Mukhtiar et al., 2026, P8)提出了一个综合框架,涵盖个体公平、群体公平、性能分布公平等多种公平概念。该方法分析了不同公平定义在联邦学习场景下的适用性和权衡,提供了选择公平感知方案的指导原则。它解决了联邦学习中公平性定义模糊和碎片化的问题,为研究者提供了统一的理论视角。这一工作为 EquFL 和 CoRe-Fed 等具体方法提供了理论指导,强调了不同公平概念之间的内在联系和应用场景依赖性。

2.4 参与公平与选择

参与公平与选择旨在解决“谁参与”的问题,关注客户端选择过程中的机会公平与代表性偏差。传统随机选择策略简单高效但缺乏公平性保障,容易因设备异构性或网络波动导致部分客户端长期被排除。FairEquityFL(Islam et al., 2025, P1)针对异构物联网网络提出公平与均衡客户端选择框架,通过采样均衡器模块监控和控制客户端协作。该方法根据客户端的历史参与频率和连续未选轮次动态调整选择概率,确保每个客户端获得与其独特情况相匹配的参与机会。它解决了传统随机选择导致的长期参与不公问题,提升了联邦系统的包容性。FairEquityFL 放弃了随机选择的简单性,换取了长期参与公平,但代价是增加了状态维护与计算复杂度,且可能带来短期精度波动。

Cumulative Utility Parity(Behfar and Mortier, 2026, P10)则针对间歇性客户端参与,通过时间效用跟踪和预测模型平衡短期性能与长期公平。该方法维护每个客户端的累积效用历史,检测长期利益分配差异并调整聚合权重以补偿代表性不足的客户端。它解决了传统公平性定义忽略参与动态的局限,通过代理更新缓解不可用客户端的表示损失。与 FairEquityFL 侧重于选择概率调整不同,Cumulative Utility Parity 侧重于聚合权重调整,两者在干预点上形成互补:前者影响参与机会,后者影响贡献权重。

Who Trains Matters(Morishita, 2026, P14)区分了注册偏差和参与偏差,提出通过聚合权重校正选择偏差的方法。该方法识别了设备约束和用户因素导致的代表性偏差,设计了校正机制以对齐训练目标与目标群体目标。它解决了现有工作主要关注轮次级参与偏差而忽略人口级注册偏差的问题,提供了更全面的偏差校正方案。这一工作与 FairEquityFL 和 Cumulative Utility Parity 的区别在于,它更侧重于偏差的识别与校正,而非动态调整,为理解选择偏差的根源提供了新的视角。

Edge AI in Highly Volatile Environments(Zaland et al., 2025, P3)研究了边缘计算环境中公平客户端选择与模型精度的权衡关系,通过动态资源能力建模评估不同选择策略。该方法模拟了计算和通信能力的随机波动,比较传统选择策略与公平选择策略在精度和公平性上的表现。它揭示了在高波动环境中追求公平性可能带来的精度损失,为实际部署提供了权衡指导。这一工作为 FairEquityFL 等公平选择策略提供了实证支持,同时也指出了其在高波动环境下的局限性。

2.5 跨任务与多领域应用

上述方法路线并非孤立存在,而是在不同应用场景中相互交织。在物联网(IoT)场景中,FairEquityFL 和 MURIM 共同作用,前者确保参与机会公平,后者确保奖励分配可信。在隐私敏感场景中,JSAM 和 CoSIFL 协同工作,前者处理隐私成本补偿,后者处理安全防御与激励耦合。在去中心化场景中,SCOPE-FL(Ghazi et al., 2026, P15)将分层联邦学习客户端选择建模为双边学校选择问题,使用 TTC 算法求解匹配问题,保证帕累托效率和策略证明性,同时通过区块链智能合约实现透明奖励分配。它解决了传统选择机制忽略客户端偏好和双边福利的问题,通过双边匹配模型实现客户端和服务器偏好的共同优化。SCOPE-FL 与 MURIM 的区别在于,前者侧重于去中心化架构下的信任验证,后者侧重于中心架构下的声誉评估,两者在信任机制上形成互补。

3. 关键共识、分歧与开放问题

3.1 领域共识

联邦学习中的客户端参与本质上是策略性博弈,必须引入激励机制以解决搭便车问题,否则全局模型性能将受损。这一共识在 IncentFedAvg、SWAN 机制和 JSAM 等工作中得到反复验证,它们均通过博弈论或机制设计工具,证明了激励机制对系统稳定性的关键作用。与此相关的另一个共识是,公平性是联邦学习可持续性的关键,不仅涉及模型性能分布,还包括参与机会和奖励分配的公正性,忽视公平会导致客户端流失。FairEquityFL 和 Cumulative Utility Parity 等工作通过动态调整选择概率和聚合权重,证明了公平性对系统长期稳定性的贡献。

贡献评估是激励分配的核心,Shapley 值被视为理论标准,但需解决其计算复杂性和估计不稳定性问题。FedRandom 和 MURIM 等工作通过随机化聚合和多维声誉评估,提供了可行的近似方案。差分隐私保护增加了客户端的隐私成本,激励机制必须显式补偿这部分成本以维持参与意愿,JSAM 的工作证明了这一点。客户端异构性(数据分布和资源能力)是导致公平性偏差的主要原因,机制设计需考虑这种异构性以实现精准激励,CoRe-Fed 和 EquFL 等工作通过去偏算法和校准更新,缓解了异构性导致的性能不公。

3.2 观点分歧

贡献评估的最优近似策略存在分歧:随机化聚合(FedRandom)与精确近似(MSM)孰优?现有证据偏向随机化聚合在稳定性上更优,FedRandom 在 MNIST 和 CIFAR-10 上的 Shapley 值估计虽低于 MSM,但其稳定性优势在大规模场景中更为明显。然而,精确近似在精度上略高,理论误差界更紧。这一分歧的根源在于测量工具盲区:缺乏统一的“精度-稳定性-计算成本”三维评估基准,且场景依赖性强,小规模场景下精确近似可行,大规模场景下随机化更优,但边界条件未明确。

公平性优先级也存在分歧:参与公平(机会均等)与贡献公平(按劳分配)冲突时,谁优先?现有证据显示,在高波动边缘环境中,参与公平策略(如 FairEquityFL)能显著提升 JFI,但可能轻微降低 Accuracy;贡献公平策略在静态环境下精度更高,但 JFI 较低。这一分歧的背后,是另一个更根本的争论:多目标公平性的权衡冲突。缺乏统一的多目标优化框架来量化“公平”与“精度”的帕累托前沿,导致不同场景下优先级不同。在资源极度受限场景下,参与公平可能更关键;在数据质量差异大场景下,贡献公平更关键。

3.3 其他开放问题

当前研究面临“工程落地”与“理论完备”的双重挑战,核心瓶颈在于动态环境下的实时贡献评估与隐私-激励联合优化。最紧迫的工程问题是区块链低延迟集成,SCOPE-FL 虽降低了 Gas 消耗,但高延迟问题仍未解决,需设计混合区块链协议或优化智能合约。最根本的研究问题是动态参与场景下的激励机制设计,现有方法多假设静态参与或不切实际的动态假设,未来需研究在客户端频繁加入/退出、成本非平稳变化下的动态激励机制,结合深度强化学习处理不确定性。

多维公平性与信任度评估也是重要开放问题,单一精度指标无法全面反映客户端贡献,需整合多维信誉评估,构建统一奖励分配方案。非 IID 数据下的公平聚合与个性化同样关键,需开发公平感知聚合策略和个性化模型,平衡全局协作与个体偏好。对抗鲁棒性与安全激励机制需结合信任评分、异常检测和惩罚机制,设计抗操纵的激励架构。端到端优化:激励、隐私、鲁棒性与效率的联合优化是最终目标,现有方法往往孤立优化单一目标,未来需开发端到端框架,实现联邦学习系统在真实世界中的全面可持续部署。

已知—争议—未知认知图谱显示,领域在激励机制必要性和异构性影响上达成共识,在贡献评估策略和公平性优先级上存在争议,在动态参与、多维公平和端到端优化上仍属未知。发展趋势是从理论均衡向工程落地过渡,从单一目标向多维协同演进。

4. 总结与展望

联邦学习激励机制与公平性研究已从单一性能优化走向多维协同,核心矛盾从模型收敛效率转变为客户端策略性参与下的公平与激励平衡。早期 FedAvg 假设客户端数据独立同分布且参与率恒定,忽略了策略性参与和激励问题,导致搭便车困境无法解决。随后,研究者引入博弈论和机制设计工具,如 IncentFedAvg 和 SWAN 机制,解决了策略性参与下的收敛性保证和社会福利最大化问题。贡献评估方面,FedRandom 和 MURIM 通过随机化聚合和多维声誉评估,解决了 Shapley 值估计的不稳定性和单一维度激励的局限。模型公平性优化方面,EquFL 和 CoRe-Fed 通过服务器端校准和嵌入蒸馏,消除了数据异质性导致的性能不公。参与公平与选择方面,FairEquityFL 和 Cumulative Utility Parity 通过动态调整选择概率和聚合权重,缓解了长期参与不公。核心瓶颈在于动态环境下的实时贡献评估与隐私-激励联合优化,以及多目标公平性的权衡冲突。

未来可能突破的方向包括:可扩展且隐私保护的贡献评估机制,需开发低复杂度近似算法,结合差分隐私保护客户端数据;动态参与场景下的激励机制设计,需结合深度强化学习处理不确定性,确保系统长期可持续性;端到端优化框架,同时优化激励兼容性、隐私保护、模型鲁棒性和计算效率,实现联邦学习系统在真实世界中的全面可持续部署。对进入者最值得做的一件事是,在统一骨干与统一预训练条件下,构建一个包含动态参与、多维公平和隐私成本的端到端评测基准,以揭示现有方法在真实场景下的性能边界,为机制设计提供实证指导。

以上为节选,完整内容见ArxivReview

目录
相关文章
|
8天前
|
Linux Go 开发工具
手机上跑 DeepSeek 智能体:开源安卓客户端 DSH Go 安装与使用指南
DSH Go 是一款开源安卓客户端,将 DeepSeek Harness 智能体引擎装进手机:免 Root、免 Termux,一键安装即用;支持本机运行(内置 Ubuntu+Node.js)或远程接管电脑会话;具备插话打断、过程折叠、屏幕操控、端到端加密分享等特色功能,真正实现智能体“口袋化”。
9152 24
|
8天前
|
弹性计算 人工智能 API
Codex超详细入门指南(下载·安装·登录·上手,全版本覆盖,2026最新版)
建议收藏本教程,2026 全年各版本更新随时回来查阅。如果你在搭建过程中遇到任何问题,欢迎结合 阿里云工单系统 提交技术支持请求,或在 阿里云开发者社区 搜索 Codex 相关话题交流。 祝你编码愉快,效率翻倍!
2703 14
|
3天前
|
人工智能 安全 应用服务中间件
NGINX 爆出两处高危漏洞 可导致未经身份验证的远程代码执行
NGINX曝出两个高危漏洞(CVE-2026-123633和CVE-2026-123007),CVSS 9.2分,均属HTTP/2内存安全缺陷,无需认证即可远程执行代码。影响自2015年起的多个版本,静态站点亦受威胁。修复版本为开源版1.30.7/1.31.9。(239字)
1297 0
NGINX 爆出两处高危漏洞 可导致未经身份验证的远程代码执行
|
6天前
|
传感器 安全 区块链
Windows 电脑运行安卓应用教程:开源工具 ApkStart 双击 APK 即装、独立窗口运行
ApkStart 是一款开源Windows工具,让安卓APP像原生软件一样运行:双击APK即安装、生成真实图标、独立窗口启动、开始菜单可搜索。无需传统模拟器,内置QEMU运行时,支持数据互通、ARM兼容与命令行操作。(239字)
|
10天前
|
人工智能 前端开发 API
阿里云Qwen4-Max 大模型详解:定位、特征、能力、适用场景与相对Qwen3-Max差异解析
2026年11月11日,阿里发布第四代旗舰模型Qwen4-Max预览版,首发千问AI平台Token Plan并接入千问办公、Qoder等入口。该版本聚焦知识理解、世界感知、编程与Agentic四项升级,主打复杂编程、专业办公、前端设计与专业软件操作等真实任务。预览期为11月11日10:00至11月25日24:00,仅支持Token Plan调用,到期后模型标识下线;限时2折、新用户再享5折,最低1折可体验。
|
10天前
|
JSON 前端开发 API
阿里云最新Qwen4-Max大模型介绍:模型定位、特征、能力、适用场景解析
2026 年 11 月 11 日,阿里发布第四代旗舰模型Qwen4-Max预览版,首发千问 AI 平台 Token Plan,并同步接入千问办公、Qoder 等入口。该版本聚焦知识理解、世界感知、编程与 Agentic 四项升级,主打复杂编程、专业办公、前端设计与专业软件操作。预览期至 11 月 25 日 24:00,到期后模型标识下线;限时 2 折、新用户再享 5 折,最低 1 折可体验。
|
23天前
|
Linux 开发工具 iOS开发
Codex保姆级教程(下载+安装+登录+使用,含所有版本,2026最新)
Codex是OpenAI推出的开源AI编程智能体,本地运行,可理解整个代码库,支持自然语言指令改代码、执行命令、跑测试、修Bug,兼容Win/macOS/Linux。(239字)
11165 59
|
4天前
|
人工智能 弹性计算 IDE
Codex超详细入门指南(下载·安装·登录·上手,全版本覆盖,2026最新版)
适合团队落地代码规范,每次提交自动生成评审报告,降低人工CR工作量。同时支持自定义技能脚本,接入团队内部SDK说明文档,让Codex生成符合团队编码规范的代码。Codex三大客户端覆盖本地开发、服务器远程编码、自动化流水线场景,搭配阿里云百炼的Token Plan、Coding Plan,能够低成本搭建稳定可控的AI编码助手。新手建议先从IDE插件入手,熟悉交互逻辑,再尝试CLI版本部署在阿里云ECS,实现云上项目远程编码、批量脚本处理。只要按照步骤完成环境准备、版本选型、密钥对接、项目初始化,就可以把Codex融入日常开发流程,大幅提升代码编写、问题排查、项目重构的效率。
949 0
|
6天前
|
人工智能 弹性计算 开发工具
零成本玩各大模型!DeepSeek Harness dsh-our-free-model 插件,13 个厂商模型直接用
总结一下:装这个插件,你不用注册、不用绑卡、不用填一个 Key,就能在 DeepSeek Harness 里用上 DeepSeek V4.1 Flash、Kimi K3 这一批前沿模型,而且是白嫖的、还不限量。三步搞定:下载插件,复制包含 `package.json` 的插件目录路径,在「添加插件」里粘贴路径安装并重启。无论是在阿里云 ECS 上通过命令行部署的 Web 版,还是本地的 Electron 桌面端,都能顺利跑通,快速搭建一套零成本的免费模型使用环境。
1329 1
|
9天前
|
Linux API iOS开发
【DSH】DeepSeek Harness新手保姆教程(下载+安装+配置+使用,2026最新实测)
DeepSeek Harness(dsh)是DeepSeek AI开源的智能体框架,秉持“一切皆插件”理念,支持读文件、改代码、跑命令、处理表格、联网搜索等操作。免费开源,兼容Windows/macOS/Linux,提供桌面端与网页端,可灵活安装插件扩展能力。