查看“WikiEdge:ArXiv速递/2025-04-24”的源代码

== 摘要 ==
* '''原文标题'''：Design and benchmarking of a two degree of freedom tendon driver unit for cable-driven wearable technologies
* '''中文标题'''：二自由度肌腱驱动单元的设计与性能评估——面向缆驱可穿戴技术
* '''发布日期'''：2025-04-24 16:49:21+00:00
* '''作者'''：Adrian Esser, Chiara Basla, Peter Wolf, Robert Riener
* '''分类'''：eess.SY, cs.SY
*'''原文链接'''：http://arxiv.org/abs/2504.17736v1
'''中文摘要'''：[[外骨骼服]]作为刚性[[外骨骼]]的替代方案近年来得到发展，并日益应用于[[临床]]和[[家庭环境]]中[[上肢]]与[[下肢]]治疗与辅助。虽然已开发出多种[[线驱动]]外骨骼服，但其[[机电设计]]与[[性能]]的公开研究甚少。为此，本文针对线驱动可穿戴外骨骼服提出一种[[二自由度]][[肌腱驱动单元]]（TDU）的全面设计与性能分析。研究详细阐述了TDU功能基准测试方法：[[静态扭矩]]输出测试对比指令扭矩与实测扭矩；[[速度控制]]测试评估不同速度下的衰减与[[相位偏移]]；[[噪声测试]]量化穿戴者感知的TDU运行声响；[[热应力]]测试记录[[冷却性能]]以确保高负载安全运行；[[电池续航]]测试评估不同负载条件下的持续运行时间。为验证测试方案，本文推出模块化线驱动TDU系统，其[[电机]]、[[滑轮]]和[[传感器]]等组件可根据应用需求灵活调整。通过分享详细[[方法论]]与性能数据，本研究旨在提供可复用的TDU设计方案，并为研究人员和工程师提供系统化记录TDU设计性能的参考框架。

== 摘要 ==
* '''原文标题'''：Federated Learning: A Survey on Privacy-Preserving Collaborative Intelligence
* '''中文标题'''：联邦学习：隐私保护协同智能综述
* '''发布日期'''：2025-04-24 16:10:29+00:00
* '''作者'''：Edward Collins, Michel Wang
* '''分类'''：cs.LG, cs.AI
*'''原文链接'''：http://arxiv.org/abs/2504.17703v1
'''中文摘要'''：[[联邦学习]]（FL）已成为[[分布式机器学习]]领域的变革性范式，它允许多个[[客户端]]（如[[移动设备]]、[[边缘节点]]或[[组织]]）在不集中敏感数据的情况下协作训练共享[[全局模型]]。这种[[去中心化]]方法解决了[[数据隐私]]、[[安全性]]和[[监管合规性]]方面日益增长的担忧，使其在[[医疗保健]]、[[金融]]和[[智能物联网系统]]等领域特别具有吸引力。本综述对联邦学习进行了简明而全面的概述，从其核心[[架构]]和[[通信协议]]开始。我们讨论了标准FL[[生命周期]]，包括[[本地训练]]、[[模型聚合]]和[[全局更新]]。特别强调了关键的技术挑战，如处理[[非独立同分布]]（non-IID）数据、缓解[[系统异构性]]和[[硬件异构性]]、减少[[通信开销]]，以及通过[[差分隐私]]和[[安全聚合]]等机制确保[[隐私]]。此外，我们探讨了FL研究的新兴趋势，包括[[个性化联邦学习]]、[[跨设备联邦学习]]与[[跨孤岛联邦学习]]设置，以及与其他范式（如[[强化学习]]和[[量子计算]]）的集成。我们还重点介绍了实际应用，并总结了FL研究中常用的[[基准数据集]]和[[评估指标]]。最后，我们概述了开放的研究问题和未来方向，以指导[[可扩展性|可扩展]]、[[高效性|高效]]和[[可信赖系统|可信赖]]的FL系统的开发。