arXiv发布新研究
一篇题为《数据驱动的模型策略优化》的学术论文近期在arXiv平台发布，由Aysin Tumay等作者撰写。该研究专注于强化学习中的模型策略优化（MBPO）方法，其主要创新点在于引入生成模型和分布外数据正则化技术。传统MBPO方法依赖环境模型生成数据进行策略训练，但容易产生模型误差累积问题。本文提出的新框架通过生成对抗网络等生成模型来改善环境建模质量，并利用OOD正则化来约束和评估模型生成数据的可靠性，旨在提升策略学习的稳定性和样本效率。该方法有望在机器人控制、游戏等需要高数据效率的强化学习场景中获得应用。 #强化学习 #机器学习 #模型优化 #OOD正则化 #人工智能 #学术论文 #AI研究
一篇题为《数据驱动的模型策略优化》的学术论文近期在arXiv平台发布，由Aysin Tumay等作者撰写。该研究专注于强化学习中的模型策略优化（MBPO）方法，其主要创新点在于引入生成模型和分布外数据正则化技术。传统MBPO方法依赖环境模型生成数据进行策略训练，但容易产生模型误差累积问题。本文提出的新框架通过生成对抗网络等生成模型来改善环境建模质量，并利用OOD正则化来约束和评估模型生成数据的可靠性，旨在提升策略学习的稳定性和样本效率。该方法有望在机器人控制、游戏等需要高数据效率的强化学习场景中获得应用。 #强化学习 #机器学习 #模型优化 #OOD正则化 #人工智能 #学术论文 #AI研究
新论文提出点云数据处理新方法，引入质量感知神经算子
随着三维数据在人工智能领域的广泛应用，点云作为关键表示形式，在自动驾驶、机器人导航等场景中至关重要。高效的点云处理算法一直是研究热点，旨在提升几何特征学习的准确性与效率。2026年5月23日，研究人员Zherui Yang等人向学术预印本平台arXiv提交了一篇新论文，题为“Learning Laplacian Eigenspace with Mass-Aware Neural Operators on Point Clouds”。该论文探讨了一种创新方法，利用质量感知神经算子在点云数据上学习拉普拉斯特征空间，这是一种用于捕捉几何结构的核心技术。这项工作有望优化现有点云分析流程，推动深度学习在三维数据中的应用，并为计算机视觉及相关领域带来潜在影响。 #学术论文 #机器学习 #点云 #神经算子 #arXiv #计算机视觉 #深度学习 #人工智能
随着三维数据在人工智能领域的广泛应用，点云作为关键表示形式，在自动驾驶、机器人导航等场景中至关重要。高效的点云处理算法一直是研究热点，旨在提升几何特征学习的准确性与效率。2026年5月23日，研究人员Zherui Yang等人向学术预印本平台arXiv提交了一篇新论文，题为“Learning Laplacian Eigenspace with Mass-Aware Neural Operators on Point Clouds”。该论文探讨了一种创新方法，利用质量感知神经算子在点云数据上学习拉普拉斯特征空间，这是一种用于捕捉几何结构的核心技术。这项工作有望优化现有点云分析流程，推动深度学习在三维数据中的应用，并为计算机视觉及相关领域带来潜在影响。 #学术论文 #机器学习 #点云 #神经算子 #arXiv #计算机视觉 #深度学习 #人工智能
新研究提出图数据中治疗效果估计的差异化网络效应方法
近期，研究人员在预印本平台 arXiv 上提交了一篇关于治疗效果估计的新论文，题为“差异化网络效应下的图数据治疗效果估计”。该研究由 Xiaofeng Lin 及其合作者共同完成，提交日期为 2026 年 5 月 23 日。论文聚焦于统计学和机器学习领域，针对图数据中存在的网络效应问题，提出了一种创新框架。传统治疗效果估计方法往往假设个体间相互独立，但现实中的社交网络、生物网络等场景中，个体间存在复杂的相互影响。这项研究通过引入差异化网络效应，能够更精确地建模不同节点根据其网络位置和关系受到的干预差异，从而提升因果推断的准确性。该方法有望应用于医学临床试验、社会科学分析和推荐系统优化等领域，为处理复杂网络数据提供新工具，推动相关学科的发展。 #学术论文 #机器学习 #图数据 #治疗效果 #因果推断 #arXiv #统计学 #网络分析 #研究创新
近期，研究人员在预印本平台 arXiv 上提交了一篇关于治疗效果估计的新论文，题为“差异化网络效应下的图数据治疗效果估计”。该研究由 Xiaofeng Lin 及其合作者共同完成，提交日期为 2026 年 5 月 23 日。论文聚焦于统计学和机器学习领域，针对图数据中存在的网络效应问题，提出了一种创新框架。传统治疗效果估计方法往往假设个体间相互独立，但现实中的社交网络、生物网络等场景中，个体间存在复杂的相互影响。这项研究通过引入差异化网络效应，能够更精确地建模不同节点根据其网络位置和关系受到的干预差异，从而提升因果推断的准确性。该方法有望应用于医学临床试验、社会科学分析和推荐系统优化等领域，为处理复杂网络数据提供新工具，推动相关学科的发展。 #学术论文 #机器学习 #图数据 #治疗效果 #因果推断 #arXiv #统计学 #网络分析 #研究创新
新深度学习方法ChainzRule发布，宣称跨任务高效稳健
近日，一篇题为《ChainzRule: Sample-Efficient, Robust Deep Learning Across Tabular, NLP, and Vision Tasks》的论文在学术平台arXiv上发布，作者为Rowan Martnishn。该研究提出了一种名为“ChainzRule”的新方法，旨在提升深度学习模型在不同任务中的样本效率与鲁棒性。 根据论文标题与概述，ChainzRule声称能够以较少的训练数据（样本高效），稳健地处理包括表格数据、自然语言处理（NLP）以及计算机视觉在内的多种机器学习任务。这一方法若经过验证，有望简化跨领域模型的设计，并降低其对大规模标注数据的依赖，从而加速AI应用的开发与部署。目前，该研究处于公开阶段，其具体技术细节与实验效果有待学术界进一步评估。 #深度学习 #AI #机器学习 #论文发布 #arXiv #ChainzRule #跨模态AI #学术研究
近日，一篇题为《ChainzRule: Sample-Efficient, Robust Deep Learning Across Tabular, NLP, and Vision Tasks》的论文在学术平台arXiv上发布，作者为Rowan Martnishn。该研究提出了一种名为“ChainzRule”的新方法，旨在提升深度学习模型在不同任务中的样本效率与鲁棒性。 根据论文标题与概述，ChainzRule声称能够以较少的训练数据（样本高效），稳健地处理包括表格数据、自然语言处理（NLP）以及计算机视觉在内的多种机器学习任务。这一方法若经过验证，有望简化跨领域模型的设计，并降低其对大规模标注数据的依赖，从而加速AI应用的开发与部署。目前，该研究处于公开阶段，其具体技术细节与实验效果有待学术界进一步评估。 #深度学习 #AI #机器学习 #论文发布 #arXiv #ChainzRule #跨模态AI #学术研究
生成式AI重塑就业市场
哈佛商学院教授Suraj Srinivasan参与的一项最新研究发现，自ChatGPT于2022年11月公开发布以来，美国劳动力市场发生了显著变化。研究显示，那些包含大量结构化、重复性任务的职位（被认为易被生成式AI替代）的招聘职位数下降了13%；与此同时，对需要更多分析、技术或创造性能力的职位（可能被AI增强）的需求却增长了20%。该研究基于覆盖美国绝大多数职位空缺的大数据集，分析了2019年至2025年3月的招聘信息。 研究指出，生成式AI并非单纯消灭岗位，而是在“增强型岗位”中创造了新需求，表明人机协作是劳动力市场转型的关键驱动力。最容易被AI增强的职位往往需要较强的社交和实践技能，例如微生物学家、金融分析师和临床神经心理学家。例如在金融业，投资经理和分析师利用AI工具处理数据，但其核心的判断与决策能力依然至关重要。研究还发现，易被自动化岗位所需的技能种类正在减少，而增强型岗位的招聘中则出现了更多如提示词撰写等AI相关技能。研究人员强调，该研究聚焦短期影响，长期效应尚不确定，并建议企业投资于员工再培训，以适应AI驱动的工作流变革。 #AI #就业市场 #劳动力转型 #生成式AI #科技研究 #职业未来
哈佛商学院教授Suraj Srinivasan参与的一项最新研究发现，自ChatGPT于2022年11月公开发布以来，美国劳动力市场发生了显著变化。研究显示，那些包含大量结构化、重复性任务的职位（被认为易被生成式AI替代）的招聘职位数下降了13%；与此同时，对需要更多分析、技术或创造性能力的职位（可能被AI增强）的需求却增长了20%。该研究基于覆盖美国绝大多数职位空缺的大数据集，分析了2019年至2025年3月的招聘信息。 研究指出，生成式AI并非单纯消灭岗位，而是在“增强型岗位”中创造了新需求，表明人机协作是劳动力市场转型的关键驱动力。最容易被AI增强的职位往往需要较强的社交和实践技能，例如微生物学家、金融分析师和临床神经心理学家。例如在金融业，投资经理和分析师利用AI工具处理数据，但其核心的判断与决策能力依然至关重要。研究还发现，易被自动化岗位所需的技能种类正在减少，而增强型岗位的招聘中则出现了更多如提示词撰写等AI相关技能。研究人员强调，该研究聚焦短期影响，长期效应尚不确定，并建议企业投资于员工再培训，以适应AI驱动的工作流变革。 #AI #就业市场 #劳动力转型 #生成式AI #科技研究 #职业未来
域间注意力
一篇由 Naoki Kiyohara 等人撰写的最新论文在学术平台发布，探讨了名为“域间注意力”的创新机制。该研究旨在突破当前主流Transformer架构中，以令牌（Token）为基本单位、基于键值（Key-Value）对进行信息存储与交互的传统注意力范式。研究者提出，这种方法可能限制了模型处理更复杂、跨领域或结构化信息的能力。新的“域间注意力”机制试图建立一种更宏观的交互框架，以提升模型对整体语境和深层关系的理解。该成果为未来大模型架构的优化提供了新的理论思路，可能推动机器学习在处理复杂推理和跨模态任务上的发展。 #AI #机器学习 #注意力机制 #深度学习 #大模型 #计算机科学 #学术研究
一篇由 Naoki Kiyohara 等人撰写的最新论文在学术平台发布，探讨了名为“域间注意力”的创新机制。该研究旨在突破当前主流Transformer架构中，以令牌（Token）为基本单位、基于键值（Key-Value）对进行信息存储与交互的传统注意力范式。研究者提出，这种方法可能限制了模型处理更复杂、跨领域或结构化信息的能力。新的“域间注意力”机制试图建立一种更宏观的交互框架，以提升模型对整体语境和深层关系的理解。该成果为未来大模型架构的优化提供了新的理论思路，可能推动机器学习在处理复杂推理和跨模态任务上的发展。 #AI #机器学习 #注意力机制 #深度学习 #大模型 #计算机科学 #学术研究
研究揭示大语言模型在宗教伦理决策中存在遗漏偏见
近日，一篇发表于arXiv的学术论文引起了AI伦理领域的关注。该研究由David Wingate等16位作者共同完成，通过设计基准测试，系统评估了主流大语言模型在日常伦理决策场景中的回答，特别聚焦于宗教代表性问题。研究发现，这些模型在处理涉及宗教的伦理困境时，普遍存在“遗漏偏见”，即倾向于忽略或淡化特定宗教视角，导致输出可能缺乏公正性和文化包容性。分析指出，这种偏见源于训练数据中宗教内容的分布不均以及算法设计对多元价值观的考量不足。该成果强调了在AI发展过程中加强伦理审查的必要性，为未来模型优化提供了重要参考，推动业界更负责任地构建技术。 #AI伦理 #大语言模型 #偏见研究 #学术论文 #宗教决策 #基准测试 #科技新闻
近日，一篇发表于arXiv的学术论文引起了AI伦理领域的关注。该研究由David Wingate等16位作者共同完成，通过设计基准测试，系统评估了主流大语言模型在日常伦理决策场景中的回答，特别聚焦于宗教代表性问题。研究发现，这些模型在处理涉及宗教的伦理困境时，普遍存在“遗漏偏见”，即倾向于忽略或淡化特定宗教视角，导致输出可能缺乏公正性和文化包容性。分析指出，这种偏见源于训练数据中宗教内容的分布不均以及算法设计对多元价值观的考量不足。该成果强调了在AI发展过程中加强伦理审查的必要性，为未来模型优化提供了重要参考，推动业界更负责任地构建技术。 #AI伦理 #大语言模型 #偏见研究 #学术论文 #宗教决策 #基准测试 #科技新闻
研究提出SGD到数据重用的小批量缩放定律
近日，一篇题为《从一次通过SGD到数据重用：草图线性回归中的小批量缩放定律》的学术论文在arXiv平台提交，由Ziyan Chen等研究者完成。该论文聚焦于机器学习优化算法领域，深入探讨了随机梯度下降（SGD）从单次迭代到数据重用策略在小批量训练中的缩放行为，特别针对草图线性回归模型进行分析。研究旨在揭示数据重用如何影响算法收敛效率和资源利用，为优化算法设计提供理论见解，可能对大规模机器学习应用的性能提升和资源优化产生积极影响。该成果于2026年5月23日正式发布，标志着相关理论研究的新进展。 #机器学习 #优化算法 #SGD #数据重用 #缩放定律 #arXiv #学术论文 #AI
近日，一篇题为《从一次通过SGD到数据重用：草图线性回归中的小批量缩放定律》的学术论文在arXiv平台提交，由Ziyan Chen等研究者完成。该论文聚焦于机器学习优化算法领域，深入探讨了随机梯度下降（SGD）从单次迭代到数据重用策略在小批量训练中的缩放行为，特别针对草图线性回归模型进行分析。研究旨在揭示数据重用如何影响算法收敛效率和资源利用，为优化算法设计提供理论见解，可能对大规模机器学习应用的性能提升和资源优化产生积极影响。该成果于2026年5月23日正式发布，标志着相关理论研究的新进展。 #机器学习 #优化算法 #SGD #数据重用 #缩放定律 #arXiv #学术论文 #AI
新基准 ChaosBench-Logic v2 发布，评估大语言模型逻辑推理能力
据学术预印本平台 arXiv 显示，研究人员 Noel Thomas 于 2026 年 5 月 23 日提交了题为《ChaosBench-Logic v2: Evaluating LLM Logical Reasoning over Dynamical Systems at Scale》的论文。该研究提出了一个名为 ChaosBench-Logic v2 的新基准测试工具，旨在大规模评估大语言模型在处理动态系统相关任务时的逻辑推理性能。随着人工智能模型的快速发展，其逻辑推理能力的准确评估成为关键挑战之一，此项工作通过构建针对动态系统的评估框架，有望为模型优化和领域应用提供更精细的测试标准，推动 AI 推理研究的进步。 #AI #大语言模型 #逻辑推理 #学术研究 #ChaosBench #arXiv #科技新闻 #人工智能
据学术预印本平台 arXiv 显示，研究人员 Noel Thomas 于 2026 年 5 月 23 日提交了题为《ChaosBench-Logic v2: Evaluating LLM Logical Reasoning over Dynamical Systems at Scale》的论文。该研究提出了一个名为 ChaosBench-Logic v2 的新基准测试工具，旨在大规模评估大语言模型在处理动态系统相关任务时的逻辑推理性能。随着人工智能模型的快速发展，其逻辑推理能力的准确评估成为关键挑战之一，此项工作通过构建针对动态系统的评估框架，有望为模型优化和领域应用提供更精细的测试标准，推动 AI 推理研究的进步。 #AI #大语言模型 #逻辑推理 #学术研究 #ChaosBench #arXiv #科技新闻 #人工智能
研究显示大型语言模型无个体化元认知迹象
近日，研究人员 M. Moran 和 Mark Whiting 在预印本平台 arXiv 上发表了一项研究，题为“LLMs Show No Signs Of Individuated Metacognition”。该论文探讨了大型语言模型是否具备个体化的元认知能力，即模型能否自我监控、评估和调节其认知过程。研究发现，当前主流的大语言模型没有显示出这种个体化元认知的迹象，表明它们在自我反思和认知调节方面存在显著局限性。这一结果对理解人工智能的智能本质提出了新见解，可能影响未来大模型的设计方向，并引发学术界对LLMs能力边界的进一步讨论。论文于2026年5月22日提交，为AI认知科学领域提供了重要的实证参考。 #AI #大模型 #LLMs #认知科学 #科技研究 #arXiv #论文 #人工智能
近日，研究人员 M. Moran 和 Mark Whiting 在预印本平台 arXiv 上发表了一项研究，题为“LLMs Show No Signs Of Individuated Metacognition”。该论文探讨了大型语言模型是否具备个体化的元认知能力，即模型能否自我监控、评估和调节其认知过程。研究发现，当前主流的大语言模型没有显示出这种个体化元认知的迹象，表明它们在自我反思和认知调节方面存在显著局限性。这一结果对理解人工智能的智能本质提出了新见解，可能影响未来大模型的设计方向，并引发学术界对LLMs能力边界的进一步讨论。论文于2026年5月22日提交，为AI认知科学领域提供了重要的实证参考。 #AI #大模型 #LLMs #认知科学 #科技研究 #arXiv #论文 #人工智能
新研究提出TUBE方法优化离散扩散语言模型
近日，一篇题为《TUBE: Tangent Upper Bound on Evidence for Discrete Diffusion Language Models》的论文在arXiv平台提交，由Arseny Ivanov等多位作者联合发布。该研究针对离散扩散语言模型提出了名为“TUBE”（证据的切线上界）的新方法。论文旨在通过提供一个上界估计，来改进模型对离散数据（如文本）进行建模时的证据评估过程，这可能有助于提升模型训练的效率与稳定性，解决现有方法在处理离散化数据时面临的某些挑战。该工作的发表，为离散扩散模型这一生成式AI领域的前沿方向贡献了新的理论工具与研究思路。 #人工智能 #机器学习 #自然语言处理 #生成模型 #学术论文 #arXiv #离散扩散模型
近日，一篇题为《TUBE: Tangent Upper Bound on Evidence for Discrete Diffusion Language Models》的论文在arXiv平台提交，由Arseny Ivanov等多位作者联合发布。该研究针对离散扩散语言模型提出了名为“TUBE”（证据的切线上界）的新方法。论文旨在通过提供一个上界估计，来改进模型对离散数据（如文本）进行建模时的证据评估过程，这可能有助于提升模型训练的效率与稳定性，解决现有方法在处理离散化数据时面临的某些挑战。该工作的发表，为离散扩散模型这一生成式AI领域的前沿方向贡献了新的理论工具与研究思路。 #人工智能 #机器学习 #自然语言处理 #生成模型 #学术论文 #arXiv #离散扩散模型
学者提出忠实性信息流框架，优化AI思维链推理
近日，Jinghan Jia等学者在学术平台arXiv上发表了一篇新论文，题为“忠实性作为信息流：评估和训练忠实的思维链推理”。该研究聚焦于人工智能领域的思维链推理方法，指出推理过程的忠实性——即是否真实反映模型内部思考——是当前关键挑战。论文创新性地将忠实性概念建模为信息流，构建了一个新框架，用于系统评估和训练更可靠的推理链。通过这种范式，研究旨在增强AI推理的透明度和可信度，为提升人工智能系统的安全性和应用效能奠定基础。该工作已公开，预计后续将发布相关代码与数据资源。 #AI #机器学习 #思维链 #推理 #学术论文 #arXiv #人工智能 #研究
近日，Jinghan Jia等学者在学术平台arXiv上发表了一篇新论文，题为“忠实性作为信息流：评估和训练忠实的思维链推理”。该研究聚焦于人工智能领域的思维链推理方法，指出推理过程的忠实性——即是否真实反映模型内部思考——是当前关键挑战。论文创新性地将忠实性概念建模为信息流，构建了一个新框架，用于系统评估和训练更可靠的推理链。通过这种范式，研究旨在增强AI推理的透明度和可信度，为提升人工智能系统的安全性和应用效能奠定基础。该工作已公开，预计后续将发布相关代码与数据资源。 #AI #机器学习 #思维链 #推理 #学术论文 #arXiv #人工智能 #研究
新研究提出傅里叶特征金字塔方法，优化物理学信息神经网络
近日，一篇题为“Fourier Feature Pyramids for Physics-Informed Neural Networks”的学术论文在arXiv平台正式发布。该研究由Brandon Zhao等六位作者共同完成，提交日期为2026年5月22日。论文介绍了一种创新的傅里叶特征金字塔架构，旨在提升物理学信息神经网络的建模能力。物理学信息神经网络是人工智能与科学计算交叉的前沿领域，通过融合深度学习与物理定律，提高对复杂系统模拟的准确性。这项新方法利用傅里叶变换增强特征表达，可能显著改善神经网络在流体力学、材料科学等场景中的性能，为AI驱动的科学发现提供新工具。 #人工智能 #神经网络 #物理学 #arXiv #学术研究 #深度学习 #科技新闻 #科学计算
近日，一篇题为“Fourier Feature Pyramids for Physics-Informed Neural Networks”的学术论文在arXiv平台正式发布。该研究由Brandon Zhao等六位作者共同完成，提交日期为2026年5月22日。论文介绍了一种创新的傅里叶特征金字塔架构，旨在提升物理学信息神经网络的建模能力。物理学信息神经网络是人工智能与科学计算交叉的前沿领域，通过融合深度学习与物理定律，提高对复杂系统模拟的准确性。这项新方法利用傅里叶变换增强特征表达，可能显著改善神经网络在流体力学、材料科学等场景中的性能，为AI驱动的科学发现提供新工具。 #人工智能 #神经网络 #物理学 #arXiv #学术研究 #深度学习 #科技新闻 #科学计算
研究优化数字疗法干预
一项发表在预印本平台arXiv上的新研究，题为“优化数字疗法干预：内生性依从性下的在线学习”，探讨了在用户依从性内生于干预效果的场景下，如何优化数字治疗方案。该研究由Eric Pulick等作者于2026年5月提交。论文的核心在于解决数字健康领域的一个关键挑战：个体的治疗参与度（依从性）并非独立于干预措施本身，而是受到干预内容和效果的影响。研究者利用在线学习框架，旨在动态调整治疗策略，以在考虑用户依从性反应的同时，实现最佳健康结果。这项工作为个性化、自适应的数字疗法开发提供了新的理论模型与计算工具。 #数字疗法 #在线学习 #医疗AI #个性化医疗 #健康科技 #预印本 #arXiv
一项发表在预印本平台arXiv上的新研究，题为“优化数字疗法干预：内生性依从性下的在线学习”，探讨了在用户依从性内生于干预效果的场景下，如何优化数字治疗方案。该研究由Eric Pulick等作者于2026年5月提交。论文的核心在于解决数字健康领域的一个关键挑战：个体的治疗参与度（依从性）并非独立于干预措施本身，而是受到干预内容和效果的影响。研究者利用在线学习框架，旨在动态调整治疗策略，以在考虑用户依从性反应的同时，实现最佳健康结果。这项工作为个性化、自适应的数字疗法开发提供了新的理论模型与计算工具。 #数字疗法 #在线学习 #医疗AI #个性化医疗 #健康科技 #预印本 #arXiv
研究团队发布隐私保护多智能体框架PrivFusion，旨在协调分布式数据集
一项名为PrivFusion的新研究框架近日在arXiv预印本平台发布，旨在解决多方在不共享原始数据的前提下，协同处理分布式数据集的核心挑战。该框架采用多智能体架构，允许不同机构或设备在保护各自数据隐私的同时，共同进行数据融合与模型训练。其核心设计目标是打破数据孤岛，在确保信息安全合规的前提下释放数据价值。 研究者指出，传统的数据集中处理模式在隐私法规日趋严格的背景下面临瓶颈，而PrivFusion这类隐私计算框架为医疗、金融等敏感领域的跨机构协作提供了新的技术路径。该工作强调了在数据协作过程中实现“可用不可见”的重要性，为构建隐私安全的分布式AI系统奠定了基础。 #隐私计算 #多智能体 #联邦学习 #数据安全 #人工智能 #机器学习 #分布式系统 #研究进展
一项名为PrivFusion的新研究框架近日在arXiv预印本平台发布，旨在解决多方在不共享原始数据的前提下，协同处理分布式数据集的核心挑战。该框架采用多智能体架构，允许不同机构或设备在保护各自数据隐私的同时，共同进行数据融合与模型训练。其核心设计目标是打破数据孤岛，在确保信息安全合规的前提下释放数据价值。 研究者指出，传统的数据集中处理模式在隐私法规日趋严格的背景下面临瓶颈，而PrivFusion这类隐私计算框架为医疗、金融等敏感领域的跨机构协作提供了新的技术路径。该工作强调了在数据协作过程中实现“可用不可见”的重要性，为构建隐私安全的分布式AI系统奠定了基础。 #隐私计算 #多智能体 #联邦学习 #数据安全 #人工智能 #机器学习 #分布式系统 #研究进展