IJCAI

Amortizing Federated Adaptation: Hypernetwork Driven LoRA for Personalized Foundation Models

摊销联邦自适应：基于超网络的LoRA用于个性化基础模型

Sunny Gupta, Shambhavi Shanker, Amit Sethi

机构 * Indian Institute of Technology, Bombay（印度理工学院班加罗尔） 纠错

AI总结 提出HyperLoRA框架，通过超网络驱动的LoRA生成和乘积空间聚合，解决联邦LoRA中的结构聚合偏差和客户端初始化滞后问题，实现高效个性化、无偏聚合和更快收敛。

Comments Accepted at International Workshop on Federated Learning in the Age of Foundation Models In Conjunction with IJCAI 2026 (FL@FM-IJCAI'26)

DiG-Plan: Mitigating Early Commitment for Tool-Graph Planning via Diffusion Guidance

DiG-Plan：通过扩散引导缓解工具图规划中的早期承诺问题

Yansi Li, Zhuosheng Zhang

机构 * School of Computer Science, Shanghai Jiao Tong University（上海交通大学计算机科学学院） 纠错

AI总结 针对工具图规划中自回归解码的早期承诺问题，提出基于扩散生成器与自回归精炼器解耦的DiG-Plan框架，显著提升组合搜索覆盖率和任务性能。

Comments Accepted at IJCAI-ECAI 2026. This is an author preprint; the final version will appear in the IJCAI Proceedings

LIA: Privacy-Preserving Data Quality Evaluation in Federated Learning Using a Lazy Influence Approximation

LIA: 在联邦学习中使用懒惰影响近似进行隐私保护的数据质量评估

Ljubomir Rokvic, Panayiotis Danassis, Sai Praneeth Karimireddy, Boi Faltings

机构 * École Polytechnique Fédérale de Lausanne (EPFL)（瑞士联邦理工学院洛桑校区） ； Telenor Research（Telenor研究） ； University of Southern California（南加州大学） 纠错

AI总结 本文提出了一种新的隐私保护数据质量评估方法LIA，通过懒惰影响近似技术过滤和评分数据，在保持隐私的前提下有效识别低质量、损坏或恶意数据。

Comments Proceedings of the 2024 IEEE International Conference on Big Data (IEEE BigData 2024). A preliminary version of this work received the Best Paper Award at the International Workshop on Trustworthy Federated Learning at IJCAI (FL-IJCAI) 2023

Limited Resource Allocation in a Non-Markovian World: The Case of Maternal and Child Healthcare

在非马尔可夫世界中的有限资源分配：产科与儿童保健的案例

Panayiotis Danassis, Shresth Verma, Jackson A. Killian, Aparna Taneja, Milind Tambe

机构 * Harvard University（哈佛大学） ； Google Research（谷歌研究） 纠错

AI总结 本文研究了在非马尔可夫环境下如何通过时间序列方法优化资源分配，提出了一种新的时间序列臂排名指数（TARI）策略，以提高产科和儿童保健项目的参与度和依从性。

Comments Proceedings of the 32nd International Joint Conference on Artificial Intelligence (IJCAI 2023)