Federated Learning für LLM-Router: Mehr Effizienz ohne zentrale Daten Große Sprachmodelle (LLMs) werden zunehmend als remote gehostete Dienste von Edge‑ und Unternehmensclients genutzt, die die neuesten Modelle nicht lokal ausführen können. Da die Modelle stark in Leistung und Preis variieren, ist es entscheidend, Anfragen an jene Modelle zu leiten, die ein optimales Verhältnis zwischen Qualität und Rechenaufwand bieten. arXiv – cs.LG 02.02.2026 05:00
FedUMM: Federated Learning multimodale Modelle geringem Kommunikationsaufwand Unified multimodale Modelle (UMMs) gelten als leistungsstarke Basismodelle, die sowohl generative als auch Verständnisaufgaben in einer einzigen Architektur bewältigen können. In der Praxis werden sie jedoch meist zentral trainiert, wodurch ihre Nutzung in datenschutzkritischen und geografisch verteilten Szenarien stark eingeschränkt wird. arXiv – cs.LG 23.01.2026 05:00
Federated Transformers ermöglichen datenschutzfreundliche Baby‑Schrei‑Erkennung Die Klassifizierung von Baby‑Schreien kann frühzeitig die Bedürfnisse von Neugeborenen erkennen, steht jedoch vor großen Herausforderungen: Datenschutzbedenken, Hintergrundgeräusche und Unterschiede in Aufnahmeeinstellungen erschweren die praktische Nutzung. arXiv – cs.LG 17.12.2025 05:00
KI revolutioniert Geldwäschebekämpfung: Nachhaltige, transparente Finanzsysteme Die Bekämpfung von Geldwäsche und Finanzbetrug bleibt eine der größten Bedrohungen für die globale Finanzstabilität. Jährlich entstehen Kosten in den Billionenhöhe, während Regulierungsbehörden mit immer komplexeren Strukturen kämpfen. In einem neuen Beitrag auf arXiv wird gezeigt, wie künstliche Intelligenz (KI) die Arbeitsabläufe im Anti-Money‑Laundering (AML) Bereich grundlegend verbessern kann. arXiv – cs.AI 09.12.2025 05:00
Neues Forschungsprojekt untersucht Aktivierungsfunktionen und Nicht‑IID‑Daten für robuste ML‑Modelle In einer aktuellen Studie von Forschern aus dem Bereich der künstlichen Intelligenz wurde die Robustheit von maschinellen Lernmodellen systematisch unter Einsatz von zehn verschiedenen Aktivierungsfunktionen untersucht. Dabei lag der Fokus auf adversarial Training – einer Technik, die Modelle gegen gezielte Angriffe stärkt – sowohl in zentralisierten als auch in föderierten Lernumgebungen. arXiv – cs.LG 05.12.2025 05:00
Digitaler Zwilling: Von NASA zur revolutionären Medizin Die Idee des digitalen Zwillings stammt aus den NASA-Simulationsstudien der 1960er Jahre und hat sich seitdem von der Raumfahrt über die Industrie bis hin zur Medizin entwickelt. Ein digitaler Zwilling ist ein dynamisches, datengetriebenes virtuelles Modell eines physischen Systems, das kontinuierlich durch Echtzeitdaten aktualisiert wird und bidirektionale Interaktion ermöglicht. arXiv – cs.AI 27.11.2025 05:00
Effiziente Federated Learning: Gradient-Projektion reduziert Kommunikation drastisch Federated Learning (FL) ermöglicht es, Modelle dezentral über mehrere Clients zu trainieren, während die Privatsphäre der Daten gewahrt bleibt. Ein entscheidendes Hindernis bleibt jedoch die Kommunikationskosten, insbesondere bei großen Modellen. In der neuesten Veröffentlichung werden zwei neue Verfahren vorgestellt, die dieses Problem adressieren. arXiv – cs.LG 11.11.2025 05:00
Federated mit GAF: Genauigkeit bei privatsphärischer ECG‑Klassifikation auf IoT In einer wegweisenden Studie wurde ein Federated‑Learning‑Framework entwickelt, das die Klassifikation von Elektrokardiogrammen (ECG) in IoT‑Gesundheitsumgebungen ermöglicht, ohne dass sensible Patientendaten das Gerät verlassen. Durch die Umwandlung der eindimensionalen ECG‑Signale in zweidimensionale Gramian Angular Field (GAF)-Bilder kann ein Convolutional Neural Network (CNN) effiziente Merkmale extrahieren, während die Daten lokal bleiben. arXiv – cs.AI 07.11.2025 05:00
