arXiv cs.LG@Theofilos Mailis, Kalliopi-Christina Despotidou, Konstantinos Filippopolitis, Yannis Foufoulas, Thanasis-Michail Karampatsis, Andreas Ktenidis, Evdokia Mailli, Theodore Papamarkou, Yannis Ioannidis精选37本文提出了一种类型化张量语言，用于形式化联邦学习与联邦分析中常见的计算结构。该语言区分了客户端分区的联邦张量和全局可用的共享张量，并通过与虚拟全局张量的对比定义语义。核心成果是共享状态分解理论：证明类型化单轮程序可通过固定维度的共享状态分解，且该状态大小与客户端和记录数量无关。此外，还证明了可表示性的逆定理，并将对应关系扩展到跨轮状态共享的迭代程序。最后，开发了可微分的学习片段，支持服务器端梯度下降和二阶更新，形式化了一类通信仅通过固定维度共享状态的联邦学习计算。论文联邦学习类型化张量语言共享状态分解形式化方法分布式计算推荐理由：联邦学习领域终于有了形式化的计算模型——这篇论文用类型化张量语言统一了分散的协议，做联邦学习系统设计和理论研究的团队值得细读，能帮你理清通信与共享状态的数学本质。
arXiv cs.LG@Parand A. Alamdari, Toryn Q. Klassen, Sheila A. McIlraith精选63这篇论文提出结合形式化方法与机器学习的技术，用于在AI开发生命周期中审计和监控高级AI系统（尤其是LLM）的合规性。方法包括离线审计、在线运行时监控，以及预测性和干预性监控器，能在运行时提前预防违规。实验表明，基于线性时序逻辑（LTL）的方法在检测时序行为约束违规方面优于纯LLM基线，小模型也能匹配或超越前沿LLM裁判。干预监控器在保持任务性能的同时显著降低了LLM智能体的违规率。研究还发现，LLM的时序推理能力随事件距离、约束数量和命题数量增加而显著下降。论文形式化方法AI安全/合规LLM审计时序逻辑监控/干预推荐理由：做AI安全与合规的团队终于有了可落地的形式化方法方案——LTL+小模型就能超越LLM裁判，建议做AI治理的开发者直接看实验部分。