arXiv cs.AI· Victor H. Chen, Hairui Yu, Stella K. Chung, Hong Yan·· 10 小时前AI 评分12
CIDERS：通过加速个性化双层优化实现云边 LLM 协同学习
CIDERS: Cloud-Edge LLM Collaborative Learning via Accelerating Personalized Bilevel Optimization
AI 导读
论文提出 CIDERS，一种将云边 LLM 协同建模为个性化双层优化框架的高效求解器，把模型分解为可学习骨干与 messenger，通过共识变量校正将全局轨迹嵌入本地个性化步骤。实验显示其在压缩边缘路径上数学推理和代码生成分别取得 3.1x 和 1.7x 提升，指令指标相对提升 10%。该论文因实验存在关键问题已被作者撤回。
正文 · AI 翻译
本文已被 Yi Yuan Dr 撤回
摘要：在物理世界智能快速发展的背景下，云边协同大语言模型（LLMs）已成为实际部署 LLM 的一条有前景的路线。然而，现有云边范式难以在全局共识与本地个性化之间取得平衡，无法满足云端统一知识基础与边缘领域特定适配的需求。为此，我们首次引入个性化双层优化框架，将云边 LLM 协作形式化为双重结构：上层优化边缘侧个性化，下层管理云端知识迁移，实现云边协同演进。随后我们提出 CIDERS，一种高效求解器，将模型分解为可学习骨干与信使。云端对可学习骨干执行知识迁移，关键在于通过共识变量校正将全局轨迹嵌入每个本地个性化步骤，以协调个性化与共识。我们提供了全面的理论分析，包括局部轨迹的几何刻画与完整的收敛保证，揭示了个性化与全局收敛之间明确的权衡结构。大量实验表明，CIDERS 在压缩边缘路径上持续优于竞争基线，在数学推理和代码生成上分别取得 3.1 倍和 1.7 倍的增益，在指令指标上取得 10\% 的相对增益。机制实验将这些增益归因于早期共识校正协调与任务感知蒸馏。总体而言，CIDERS 为云边 LLM 系统中共识引导的持续个性化提供了一条可行路径。
| 评论： | 我们的实验中存在若干关键问题，必须尽快撤回以避免任何误导 |
| 主题： | 分布式、并行与集群计算（cs.DC）；人工智能（cs.AI） |
| 引用为： | arXiv:2609.15664 [cs.DC] |
| （或 arXiv:2609.15664v3 [cs.DC] 为此版本） | |
| https://doi.org/10.48550/arXiv.2609.15664 arXiv 颁发的 DOI 通过 DataCite |
提交历史
来自：Yi Yuan Dr [查看邮箱]
[v1]
2026年9月14日星期一 14:45:24 UTC（1,468 KB）
[v2]
2026年11月8日星期日 02:15:28 UTC（1 KB）（已撤回）
[v3]
2026年11月10日星期二 07:53:02 UTC（1 KB）（已撤回）
来源：arXiv cs.AI · arxiv.org