O artigo apresenta o FedOPAL, uma estrutura projetada para abordar as limitações dos métodos existentes de aprendizado federado de um único passo, combinando agregação analítica com ajuste de prompts visuais. Ele adapta prompts visuais como retificadores de características para corrigir o desalinhamento da distribuição de características em ambientes de dados não independentes e identicamente distribuídos.
- Adapta prompts visuais para corrigir ativamente distribuições de dados heterogêneas em um espaço linearmente separável usando restrições proximais locais.
- Permite agregação eficiente sem gradientes por meio de soluções fechadas por mínimos quadrados, eliminando a necessidade de ajuste fino iterativo ou destilação de conhecimento.
- Alcança custos de treinamento zero no lado do servidor enquanto mantém precisão comparável aos métodos iterativos de última geração.
- Supera significativamente os métodos analíticos originais em vários benchmarks.
O FedOPAL fornece um novo paradigma de engenharia para a colaboração eficiente de grandes modelos na borda, resolvendo a contradição entre gargalos de largura de banda de comunicação e suposições estáticas de características no aprendizado federado analítico.