RIPPLE：离线聚类的联邦学习框架
热点事件持续更新
RIPPLE：离线聚类的联邦学习框架
1 篇报道1 个报道来源2 小时前更新
先了解这件事
AI 综述
Alessandro Licciardi 等人提出聚类联邦学习框架 RIPPLE，其聚类分配完全离线计算：先对小波散射变换嵌入的方差加权主成分原型做处理，再由服务端预训练的高斯混合 VAE 解码。据该论文称，RIPPLE 每轮通信开销与 FedAvg 完全一致，未参与训练的客户端只需一次前向传播即可获得个性化模型，并在五个基准上持续优于所有基线。该工作已被 NeurIPS 2026 主赛道接收。
AI 根据报道生成 · 1 小时前更新
最新进展10月5日 12:00
RIPPLE：基于小波散射变换的联邦学习零样本聚类报道时间线
沿着报道，了解事件的不同侧面。
10月5日
- arXiv：cs.LGRIPPLE：基于小波散射变换的联邦学习零样本聚类
RIPPLE 提出一种聚类联邦学习框架，聚类分配完全离线计算，基于小波散射变换嵌入的方差加权主成分原型，由服务端预训练的高斯混合 VAE 解码。其每轮通信开销与 FedAvg 完全一致，未参与训练的客户端仅需一次前向传播即可获得个性化模型。在五个基准上 RIPPLE 持续优于所有基线，该工作已被 NeurIPS 2026 主赛道接收。
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。