论文发布长周期基准，检验联邦学习信任边界是否持久
原文标题：Does the Trust Boundary Hold over Time? A Long-Horizon Benchmark for Receiver-Directed Federated Learning
重要度 3/5 · AI 综合评估报道影响力与新鲜度，4–5 分为高价值资讯。
论文构建含 13 个半合成站点、14 种方法、600 轮训练的长周期基准，检验接收方主导联邦学习中的信任边界能否长期成立。结果显示不同参照基准的门控各有失效模式，而独立审计在 600 轮后可部署 65%–72% 的模型且保留 98% 收益。
- 问题
- 接收方主导联邦学习中，站点自设的信任边界能否在数百轮训练中长期成立尚不清楚。
- 方法
- 构建含 13 个半合成站点、14 种方法、600 轮的基准，对比固定参照与当前模型两种门控，并加入独立审计环节。
- 结果
- 固定参照门控放行了 29% 有害迁移，当前模型门控仅 2% 但漏掉大量有用迁移；独立审计在 600 轮后部署 65%–72% 模型且保留 98% 收益。
- 影响
- 联邦学习部署应把门控与审计分离，审计数据独立才能保证长期收益不被信任边界漂移侵蚀。
深读 · 结论先行AI 生成展开看要点与影响 ↓
600轮联邦学习基准显示：独立审计可部署65%-72%模型且保留98%收益，门控本身各有失效模式。
- •基准含13个半合成站点、14种方法、600轮训练，另用Qwen3-1.7B LoRA站点跑500轮
- •对照固定参照的门控在20组CPU配对种子中更善于识别相对起始模型有用的迁移，但放行了29%对当前模型有害的迁移
- •对照当前模型的门控仅放行2%有害迁移，却漏掉许多对起始模型有用的迁移
- •独立审计不改变门控判定，600轮后部署65%-72%模型、无一在其目标上负收益，保留98%收益
- •运行中未出现符号判断错误的过期报告
为什么重要：说明联邦学习中的信任边界不能靠单一门控长期维持，需在训练后加一层独立审计；对做去中心化训练与模型准入的团队直接相关。
以上深读由 AI 依据标题/摘要/正文节选生成，仅供参考；事实以原文为准。
AI 处理过程展开/收起
相关推荐
OpenAI 宣布数学、计算机科学、物理学三项新发现
AI 摘要OpenAI 宣布在调和分析、复杂性理论和量子场论三个方向取得新发现，并采用与学术界合作的新方法。公司邀请外部专家组织团队理解研究结果，参与者无需签署保密协议、可自由讨论并发表结论，且为自愿无报酬。OpenAI 表示不会为内部模型产生的发现寻求学术署名。
数学家称需数年消化 OpenAI 最新数学成果
AI 摘要OpenAI 本周突然发布近 400 项 AI 生成的数学成果，分布在 700 多份手稿中，覆盖组合数学、几何、数论等多个领域。多位数学家表示「震惊」「难以置信」，认为仅理解这些成果就需数年，且验证程度参差不齐。
OpenAI 公布数学难题突破成果
AI 摘要OpenAI 发布由未公开前沿模型生成的 722 篇数学手稿，覆盖 372 个成果族，声称解决了数百个长期未解问题，并公开 Lean 形式化证明与算力估算。此举延续了 AI 冲击数学界的势头，也引发研究伦理与学术规范的争议。独立顾问组织 AGMAI 呼吁实验室通过正规学术渠道发布成果，而非将其当作营销工具。
OpenAI 再抛数学突破成果引争议
AI 摘要OpenAI 公布 722 篇手稿，称未发布的前沿模型解决了数百个数学开放问题，平均每个结果消耗约三小时 ChatGPT Pro 级算力。成果虽令人震撼，但数学界对发布方式、研究伦理与学术规范提出质疑。AGMAI 建议实验室及时通过正规渠道披露模型、提示词与算力成本，避免把成果当作营销手段。