跳到正文
热点事件观察中

论文提出DICE去中心化联邦学习算法

1 篇报道1 个报道来源1 天前更新

先了解这件事

AI 综述

Hong Lin 等人在 arXiv 发表论文，提出名为 DICE 的区块链联邦学习（BCFL）算法，目标是在 Web3 环境中为自利且互不信任的参与者定制大型预训练模型。 论文称，DICE 通过动态渐进学习与模型切片验证，让无法部署完整模型的诚实参与者也能加入定制；同时用树状委员会共识协议和效率驱动激励机制应对扩展瓶颈。在视觉与语言预训练模型定制实验中，论文报告了效率、有效性与安全性方面的结果，这些均为作者自述，尚未经独立验证。

AI 根据报道生成 · 3 小时前更新

最新进展10月29日 09:25
DICE：面向 Web3 预训练模型高效可扩展定制的去中心化激励驱动联邦学习算法

报道时间线

沿着报道，了解事件的不同侧面。

10月29日
  1. arXiv 隐私论文
    DICE：面向 Web3 预训练模型高效可扩展定制的去中心化激励驱动联邦学习算法

    论文提出 BCFL 算法 DICE，用于在 Web3 中为自利且互不信任的参与者定制大型预训练模型。DICE 通过动态渐进学习与模型切片验证，让无法部署完整模型的诚实参与者也能加入定制，并用树状委员会共识协议与效率驱动激励机制解决扩展瓶颈。在视觉与语言预训练模型定制实验上，DICE 展示了效率、有效性与安全性。

本事件热度走势

可比范围当前
4
可比范围峰值
410月30日 14:00
近 24 小时变化
–

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。