一个联邦大型语言模型用于长期时间序列预测

提出了一种基于预训练模型的联邦时间序列预测模型（Time-FFM），通过将时间序列转化为文本标记进行推理。

采用个性化联邦训练策略，提升了少样本和零样本预测的性能。

探讨了联邦学习与大规模语言模型的整合，提出了应对隐私保护和性能提升的多种框架和方法。

利用联邦学习的灵活性和适应性，实现大规模的合作，以培训大型语言模型（LLM）。

通过联邦学习构建全球范围的语言模型训练系统（WorldLM），解决法律、安全、隐私等挑战。

提出了高效的联邦法律大型语言模型（FedJudge）框架，用于在保护数据隐私的前提下进行本地调优。

FS-LLM软件包提供了全面的联邦参数高效微调算法实现，支持低通信和计算成本的联邦学习场景。

FATE-LLM是用于大型语言模型的工业级联合学习框架，促进高效训练和保护数据隐私。

FwdLLM是一种创新的FL协议，在手机设备上实现更好的内存效率和时间效率。