- 论文公开站arXiv
具身强化学习中用于私有轨迹重建的时间梯度反转
Temporal Gradient Inversion for Private Trajectory Reconstruction in Embodied Reinforcement Learning
摘要显示，分布式具身强化学习虽只在设备端保留原始传感器数据、仅上传策略梯度，但时序结构会放大隐私泄露。作者提出 TRACE，一种摊销式时序梯度反演攻击，利用相邻梯度间的跨时间相关性以及策略头梯度中动作的闭式恢复，自回归重建私有观测-动作轨迹。在留出的具身场景中，TRACE 达到 18.8 dB PSNR，动作恢复近乎完美，每帧重建耗时 3–4.5 毫秒。
意义：表明仅上传策略梯度并不足以保护具身智能体的轨迹隐私，联邦/分布式 RL 需引入序列感知的防御机制。
- 论文公开站arXiv
FedV-KGQA：垂直分区知识图谱上的多跳问答框架
FedV-KGQA: Multi-Hop Question Answering over Vertically Partitioned Knowledge Graphs
FedV-KGQA 是一种用于垂直分区知识图谱的多跳问答框架，其中各组织共享实体但拥有不相交的关系集。它结合局部图增强和知识图谱嵌入，确保原始三元组和关系参数不离开各自数据孤岛，建立结构数据边界，无需集中式图访问。引入主题实体锚定机制，在无运行时跨孤岛通信的情况下将问题定位到正确图邻域。在三个基准测试的12种配置中，性能接近集中式，可泛化至3跳推理，并对嵌入扰动具有鲁棒性。
意义：为数据治理和隐私约束下的知识图谱问答提供可行方案，实现多跳推理而无需集中数据，对联邦学习和隐私保护AI有重要价值。