大模型对齐与安全

FedACT: Concurrent Federated Intelligence across Heterogeneous Data Sources

FedACT: 在异构数据源上实现协同联邦智能

Md Sirajul Islam, Isabelle G Chapman, N I Md Ashafuddula, Xu Yuan, Li Chen, Nian-Feng Tzeng, Klara Nahrstedt

机构 * School of Computing and Informatics, University of Louisiana at Lafayette, USA（路易斯安那州立大学拉斐特分校计算机与信息学院） ； Department of Computer and Information Sciences, University of Delaware, USA（德雷塞尔大学计算机与信息科学系） ； Department of Computer Science, University of Illinois at Urbana-Champaign, USA（伊利诺伊大学厄巴纳-香槟分校计算机科学系） 纠错

专题命中 隐私与版权 ：alignment(abstract)；分类 cs.AI、cs.LG

AI总结 FedACT通过动态调度异构设备优化联邦学习任务，减少平均完成时间并提升模型精度，适用于多任务协同学习场景。

Unlearning What Matters: Token-Level Attribution for Precise Language Model Unlearning

撤销重要信息：针对语言模型精确撤销的标记级归因

Jiawei Wu, DouDou Zhou

机构 * Department of Statistics and Data Science, National University of Singapore（统计与数据科学系，新加坡国立大学） 纠错

专题命中 隐私与版权 ：safety(abstract)；分类 cs.CL

AI总结 本文提出TokenUnlearn框架，通过标记级归因实现精确撤销，结合知识意识信号和熵意识信号生成重要性评分，改进梯度信噪比，实验显示在遗忘效果和效用保持方面优于序列级基线。

Comments 17 pages, 2 figures