FedDTRE：基于可信度评估的联邦对话生成模型
计算与语言
2025-10-10 v1 人工智能
摘要
随着人工智能的快速发展，对话系统已成为人机交互的主要形式。然而，传统的集中式或完全本地化训练方法面临着在数据隐私 concerns 和异构设备能力之间平衡 privacy preservation 与 personalization 的挑战。联邦学习作为一种代表性分布式范式，提供了可行的解决方案。然而，现有方法常在有限客户端数据下易过拟合，并在多轮训练后忘记全局信息，导致泛化性能差。为此，我们提出了 FedDTRE，一种基于可信度评估的联邦对话生成模型自适应聚合策略。我们不直接用全局模型取代本地模型，而是利用基于公平性导向评估数据集上全局和本地模型的可信度得分，动态调节全局模型在本地更新中的贡献。实验结果表明，FedDTRE 可以提高对话模型性能，增强对话生成的质量。
引用
@article{arxiv.2510.08058,
title = {FedDTRE: Federated Dialogue Generation Models Powered by Trustworthiness Evaluation},
author = {Shule Lu and Lingxiang Wang and Sijia Wen and Ziwei Wang and Hainan Zhang},
journal= {arXiv preprint arXiv:2510.08058},
year = {2025}
}