基于联邦变分自动编码器的轨迹隐私保护

本研究探讨在线大语言模型交互中的隐私保护与文本清理之间的矛盾，提出利用小型语言模型评估清理效果，以降低资源损失，并指出基于差分隐私的清理技术存在明显缺陷。

本研究提出了一种新方法，通过稀疏自编码器增强语言模型在不安全提示下的识别和拒绝能力，但特征引导可能影响性能，需进一步研究。

本研究提出了一种基于扩散的轨迹分支生成方法，解决了决策变换器在离线强化学习中的次优轨迹收敛问题，提升了策略学习效果。实验结果显示，该方法在D4RL基准测试...

本研究提出了FedCoLLM框架，旨在解决联邦环境中大型语言模型（LLM）与小型语言模型（SLM）之间的协同问题。通过轻量级适配器提升SLM性能，同时确保数据隐私。

本研究提出FLMarket系统，通过结合两阶段拍卖定价机制与安全协议，解决了联邦学习中的数据定价问题。实验结果表明，FLMarket使客户端训练精度提高超...

本研究首次提出了一种个性化的联邦图学习方法，针对图数据中的节点分类问题，克服了一次性联邦学习的局限性。通过生成全局伪图和个性化训练，实验结果表明该方法在多...

该研究提出了一种新信任模型，旨在改善差分隐私强化学习中的用户数据隐私保护，开发了针对洗牌模型的算法，实验结果显示其隐私成本优于传统模型。

本研究提出了一种新的联邦增量命名实体识别方法，克服了现有方法在固定实体类型和本地客户端假设下的局限性。通过引入局部-全局遗忘防御模型，有效解决了记忆遗忘问...

本研究提出了一种新颖的水印框架，能够在扩散模型中嵌入不可察觉的水印，有效解决版权保护和非法使用的问题。实验结果验证了其有效性，显示出广泛的应用潜力。

作者在构建法律合同分类模型时使用BERT模型进行训练，但准确率仅为0.18945%。经过反思，发现数据集质量不足，计划寻找更好的数据集以提升模型性能。