热点事件持续更新
研究者提出多智能体治理感知联邦学习框架GAFL
1 篇报道1 个报道来源5 小时前更新
先了解这件事
AI 综述
2026年10月30日，研究人员在arXiv发表成果，提出面向多智能体AI系统的治理感知联邦学习（GAFL）框架。该策略驱动框架旨在通过独立证据验证、策略执行与防篡改审计，解决多智能体联邦学习中缺乏运行时治理的问题。在包含10个参与方的原型评测中，完整的GAFL能够100%识别伪造证据的参与方，最终模型的macro-F1达到0.7520至0.7733。性能方面，GAFL每轮治理耗时为173.67 ± 26.94毫秒（相较于FedAvg的3.82 ± 0.79毫秒），体现了系统在公平性策略与计算效用之间的权衡。
AI 根据报道生成 · 2 小时前更新
最新进展10月30日 12:00
研究者提出GAFL框架，原型评测显示其可100%识别伪造证据方，单轮治理耗时约173.67毫秒。报道时间线
沿着报道，了解事件的不同侧面。
10月30日
- arXiv 人工智能面向多智能体 AI 系统的治理感知联邦学习（GAFL）：可信协作 AI 的策略驱动框架
GAFL 框架通过独立证据验证、策略执行与防篡改审计，解决多智能体联邦学习缺乏运行时治理的问题。在 10 个参与方的原型评测中，完整 GAFL 能 100% 识别伪造证据参与方，最终 macro-F1 达 0.7520 至 0.7733。其每轮治理耗时为 173.67 ± 26.94 ms（FedAvg 为 3.82 ± 0.79 ms），体现了公平性策略与效用的权衡。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。