AITOP

去中心化

共 5 条相关 AI 资讯
7月10日
11:26
11:26官方账号arXiv cs.LG@Amirhossein Taherpour, Xiaodong Wang
gspDAG-FL提出了一种去中心化联邦学习框架，利用Gossip协议中的历史消息达成共识，无需中央服务器或区块链。全节点通过收集事件证书和接受性证明，构建紧凑拓扑有向无环图（DAG），并运行Hashgraph风格的虚拟投票实现最终性。该框架在MNIST分类和Penn Treebank语言建模任务上测试，网络规模N=100，学习质量接近验证型账本FL，同时减少了协调瓶颈并提高了吞吐量，在混合拜占庭和懒惰节点参与下保持了高无效来源检测率。
AI模型gspDAG-FLGossip虚拟投票联邦学习去中心化
推荐理由：这个框架用Gossip历史做共识，不用区块链，训练质量不差还能抗恶意节点，适合想搞去中心化联邦学习的人看看。
原文
6月12日
00:02
00:02berryxia@berryxia
River AI 宣布构建完全属于用户的个人AI栈，旨在打破大公司对AI模型的垄断。该项目让用户拥有自己的对话、数据和决策权，AI只按用户价值观运行，在用户控制下进化。River AI 将AI从“租来的工具”转变为“个人智能伙伴”，用户决定AI的形态和思考方式。目前团队正在招募顶尖研究员和工程师，推动这一愿景落地。这标志着个人AI时代从远景变为现实。
AI产品个人AI数据主权River AI去中心化AI产品
推荐理由：River AI 解决了AI被巨头垄断、用户数据被控制的痛点，所有关心AI主权和数据隐私的普通人、开发者和技术爱好者都值得关注。如果你厌倦了AI服务商替你决定一切，这个项目会让你看到另一种可能。
原文
6月11日
11:02
11:02官方账号arXiv cs.AI@Ria Doshi, Tian Gao, Annie Chen, Chelsea Finn, Jeannette Bohg
多机器人协作在移动场景中面临扩展性差和部分可观测性问题。CHORUS框架利用预训练视觉-语言-动作（VLA）模型的视觉运动先验，使每个机器人仅依赖自身局部观测和身份提示即可独立运行，无需推理时通信或显式对齐。在移动测量、图书交接和洗衣篮搬运等真实实验中，CHORUS相比从零训练的分散模型提升64%性能，对队友行为的反应性提高40%，并超越集中式基线。该工作表明，共享VLA骨干网络足以实现去中心化多机器人协作，无需为每个机器人单独训练策略。
论文多机器人协作VLA模型去中心化机器人预训练
推荐理由：多机器人协作的扩展性难题被VLA模型破解了——做机器人集群部署的团队可以直接参考CHORUS的零通信方案，省去复杂的对齐和通信模块。
原文
5月18日
11:51
5月12日
19:11
19:11官方一手arXiv: DeepSeek@Naicheng Li, Javad Dogani, Rui Wang, Kaitai Liang, Nikolaos Laoutaris
FLTorrent提出一种去中心化的联邦学习（FL）数据分发层，使用BitTorrent协议替代传统中央聚合器，解决性能瓶颈与隐私风险。其核心创新在于“预热阶段”，通过轮前混淆、随机延迟和协调调度（tracker不参与数据传输）实现轮内源不可链接性，防止攻击者通过P2P邻居关系推断更新来源。作者推导了传输归属后验概率的上界，并提出GreedyFastestFirst启发式调度，在100-500个节点时达到带宽最优值的约92%，预热开销稳定在约12%。在Gemma-7B、DeepSeek-R1-14B等大模型测试中，相对于纯BitTorrent仅增加6-10%端到端开销，且对抗观察型本地攻击者和合谋攻击均保持鲁棒。
论文联邦学习隐私保护P2P网络BitTorrent去中心化
推荐理由：该工作首次在去中心化FL中实现轮内不可链接性与BitTorrent级效率共存，为大规模分布式机器学习隐私保护提供了实用方案，尤其适合对隐私敏感或需要弹性扩容的场景。
原文