面向 AnDE 分类器的联邦学习框架研究
该研究提出了一种在分布式环境中训练平均 n-依赖估计器（AnDE）的联邦学习框架。该方案重点关注判别式设定，模型权重在本地学习后进行全局聚合，并支持任意依赖阶数 n。由于无需传输具有直接语义的参数，该设计显著提升了隐私安全性。此外，研究还实现了生成式 AnDE 联邦基准，支持在概率表聚合中引入差分隐私，并在 12 个离散数据集上完成了有效性验证。
DC AI 热点
全部 AI 动态
9月25日2026-09-25
9月24日2026-09-24
Potluck：聚合多台闲置电脑协同运行本地大模型的工具
Potluck 是一款旨在降低大模型硬件门槛的分布式计算工具。针对个人开发者难以承担高昂 GPU 集群或云算力成本的问题，该项目允许用户将手头的多台普通设备（如笔记本电脑、游戏台式机等）组网连接，协同聚合算力以运行更大参数的本地模型。目前可用于家庭或办公室内的多设备互联，未来目标是构建一个由用户自有设备组成的分布式网络，实现相互共享算力支持大模型推理。
9月23日2026-09-23
集中式AI、分布式AI与边缘AI的区别与架构选型解析
该文章对比了集中式AI、分布式AI与边缘AI三种计算与部署架构的核心差异。分析指出，企业与开发者在构建AI系统时，应综合权衡低延迟要求、计算与网络成本以及数据合规性等多重因素，从而选择最匹配业务场景的AI基础设施架构方案。