:: Library Catalog

Buchumschlag

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Zhang, Binchi, Luo, Minnan, Feng, Shangbin, Liu, Ziqi, Zhou, Jun, Zheng, Qinghua
Format:	Preprint
Veröffentlicht:	2021
Schlagworte:	Machine Learning Artificial Intelligence Cryptography and Security
Online-Zugang:	https://arxiv.org/abs/2110.12906
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Mitigating the Structural Bias in Graph Adversarial Defenses
von: Fang, Junyuan, et al.
Veröffentlicht: (2025)

Geminio: Language-Guided Gradient Inversion Attacks in Federated Learning
von: Shan, Junjie, et al.
Veröffentlicht: (2024)

EAB-FL: Exacerbating Algorithmic Bias through Model Poisoning Attacks in Federated Learning
von: Meerza, Syed Irfan Ali, et al.
Veröffentlicht: (2024)

Approximate and Weighted Data Reconstruction Attack in Federated Learning
von: Song, Yongcun, et al.
Veröffentlicht: (2023)

SoK: Benchmarking Poisoning Attacks and Defenses in Federated Learning
von: Zhang, Heyi, et al.
Veröffentlicht: (2025)

Local Model Reconstruction Attacks in Federated Learning and their Uses
von: Driouich, Ilias, et al.
Veröffentlicht: (2022)

PM-MOE: Mixture of Experts on Private Model Parameters for Personalized Federated Learning
von: Feng, Yu, et al.
Veröffentlicht: (2025)

Backdoor Attack on Vertical Federated Graph Neural Network Learning
von: Yang, Jirui, et al.
Veröffentlicht: (2024)

BACSA: A Bias-Aware Client Selection Algorithm for Privacy-Preserving Federated Learning in Wireless Healthcare Networks
von: Yadav, Sushilkumar, et al.
Veröffentlicht: (2024)

Local Data Quantity-Aware Weighted Averaging for Federated Learning with Dishonest Clients
von: Wu, Leming, et al.
Veröffentlicht: (2025)

Federated Learning in Practice: Reflections and Projections
von: Daly, Katharine, et al.
Veröffentlicht: (2024)

Federated Neural Nonparametric Point Processes
von: Chen, Hui, et al.
Veröffentlicht: (2024)

Buffered Asynchronous Secure Aggregation for Cross-Device Federated Learning
von: Wang, Kun, et al.
Veröffentlicht: (2024)

FedReview: A Review Mechanism for Rejecting Poisoned Updates in Federated Learning
von: Zheng, Tianhang, et al.
Veröffentlicht: (2024)

SAFELOC: Overcoming Data Poisoning Attacks in Heterogeneous Federated Machine Learning for Indoor Localization
von: Singampalli, Akhil, et al.
Veröffentlicht: (2024)

Data Valuation and Detections in Federated Learning
von: Li, Wenqian, et al.
Veröffentlicht: (2023)

A Trustworthy AIoT-enabled Localization System via Federated Learning and Blockchain
von: Wang, Junfei, et al.
Veröffentlicht: (2024)

Data Overvaluation Attack and Truthful Data Valuation in Federated Learning
von: Zheng, Shuyuan, et al.
Veröffentlicht: (2025)

C2A: Client-Customized Adaptation for Parameter-Efficient Federated Learning
von: Kim, Yeachan, et al.
Veröffentlicht: (2024)

Learning Federated Neural Graph Databases for Answering Complex Queries from Distributed Knowledge Graphs
von: Hu, Qi, et al.
Veröffentlicht: (2024)

Multi-Continental Healthcare Modelling Using Blockchain-Enabled Federated Learning
von: Sun, Rui, et al.
Veröffentlicht: (2024)

Structure-Aware Distributed Backdoor Attacks in Federated Learning
von: Jian, Wang, et al.
Veröffentlicht: (2026)

Certified Defense on the Fairness of Graph Neural Networks
von: Dong, Yushun, et al.
Veröffentlicht: (2023)

Cross-silo Federated Learning with Record-level Personalized Differential Privacy
von: Liu, Junxu, et al.
Veröffentlicht: (2024)

From Federated Learning to Quantum Federated Learning for Space-Air-Ground Integrated Networks
von: Quy, Vu Khanh, et al.
Veröffentlicht: (2024)

Privacy-Preserving Heterogeneous Federated Learning for Sensitive Healthcare Data
von: Xu, Yukai, et al.
Veröffentlicht: (2024)

Towards Privacy-Preserving Data-Driven Education: The Potential of Federated Learning
von: Khalil, Mohammad, et al.
Veröffentlicht: (2025)

Hijack Vertical Federated Learning Models As One Party
von: Qiu, Pengyu, et al.
Veröffentlicht: (2022)

Connect the Dots: Knowledge Graph-Guided Crawler Attack on Retrieval-Augmented Generation Systems
von: Yao, Mengyu, et al.
Veröffentlicht: (2026)

History-Aware and Dynamic Client Contribution in Federated Learning
von: Ghosh, Bishwamittra, et al.
Veröffentlicht: (2024)

Deep Efficient Private Neighbor Generation for Subgraph Federated Learning
von: Zhang, Ke, et al.
Veröffentlicht: (2024)

Reconstructing Training Data from Adapter-based Federated Large Language Models
von: Chen, Silong, et al.
Veröffentlicht: (2026)

Feature-Aware Anisotropic Local Differential Privacy for Utility-Preserving Graph Representation Learning in Metal Additive Manufacturing
von: Islam, MD Shafikul, et al.
Veröffentlicht: (2026)

Fed-EINI: An Efficient and Interpretable Inference Framework for Decision Tree Ensembles in Federated Learning
von: Chen, Xiaolin, et al.
Veröffentlicht: (2021)

A Unified Learn-to-Distort-Data Framework for Privacy-Utility Trade-off in Trustworthy Federated Learning
von: Zhang, Xiaojin, et al.
Veröffentlicht: (2024)

GraMFedDHAR: Graph Based Multimodal Differentially Private Federated HAR
von: Halder, Labani, et al.
Veröffentlicht: (2025)

BadSampler: Harnessing the Power of Catastrophic Forgetting to Poison Byzantine-robust Federated Learning
von: Liu, Yi, et al.
Veröffentlicht: (2024)

AdaBFL: Multi-Layer Defensive Adaptive Aggregation for Bzantine-Robust Federated Learning
von: Tang, Zehui, et al.
Veröffentlicht: (2026)

Untargeted Adversarial Attack on Knowledge Graph Embeddings
von: Zhao, Tianzhe, et al.
Veröffentlicht: (2024)

Concealing Backdoor Model Updates in Federated Learning by Trigger-Optimized Data Poisoning
von: Zhang, Yujie, et al.
Veröffentlicht: (2024)