:: Library Catalog

Buchumschlag

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Wu, Yuezhou, Kang, Yan, Luo, Jiahuan, He, Yuanqin, Yang, Qiang
Format:	Preprint
Veröffentlicht:	2021
Schlagworte:	Machine Learning
Online-Zugang:	https://arxiv.org/abs/2111.08211
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

A Framework for Evaluating Privacy-Utility Trade-off in Vertical Federated Learning
von: Kang, Yan, et al.
Veröffentlicht: (2022)

FedEval-LLM: Federated Evaluation of Large Language Models on Downstream Tasks with Collective Wisdom
von: He, Yuanqin, et al.
Veröffentlicht: (2024)

Self-supervised Cross-silo Federated Neural Architecture Search
von: Liang, Xinle, et al.
Veröffentlicht: (2021)

FedAdOb: Privacy-Preserving Federated Deep Learning with Adaptive Obfuscation
von: Gu, Hanlin, et al.
Veröffentlicht: (2024)

Vertical Federated Learning: Concepts, Advances and Challenges
von: Liu, Yang, et al.
Veröffentlicht: (2022)

Optimal Strategies for Federated Learning Maintaining Client Privacy
von: Bhaskar, Uday, et al.
Veröffentlicht: (2025)

FedCVT: Semi-supervised Vertical Federated Learning with Cross-view Training
von: Kang, Yan, et al.
Veröffentlicht: (2020)

A Meta-learning Framework for Tuning Parameters of Protection Mechanisms in Trustworthy Federated Learning
von: Zhang, Xiaojin, et al.
Veröffentlicht: (2023)

CG-FedLLM: How to Compress Gradients in Federated Fune-tuning for Large Language Models
von: Wu, Huiwen, et al.
Veröffentlicht: (2024)

FedQV: Leveraging Quadratic Voting in Federated Learning
von: Chu, Tianyue, et al.
Veröffentlicht: (2024)

FedHarmony: Harmonizing Heterogeneous Label Correlations in Federated Multi-Label Learning
von: Kou, Zhiqiang, et al.
Veröffentlicht: (2026)

FedPCA: Noise-Robust Fair Federated Learning via Performance-Capacity Analysis
von: Wu, Nannan, et al.
Veröffentlicht: (2025)

FedRE: Robust and Effective Federated Learning with Privacy Preference
von: Xiao, Tianzhe, et al.
Veröffentlicht: (2025)

FedMP: Tackling Medical Feature Heterogeneity in Federated Learning from a Manifold Perspective
von: Zhou, Zhekai, et al.
Veröffentlicht: (2025)

FedMeS: Personalized Federated Continual Learning Leveraging Local Memory
von: Xie, Jin, et al.
Veröffentlicht: (2024)

A Theoretical Analysis of Efficiency Constrained Utility-Privacy Bi-Objective Optimization in Federated Learning
von: Gu, Hanlin, et al.
Veröffentlicht: (2023)

FedZero: Leveraging Renewable Excess Energy in Federated Learning
von: Wiesner, Philipp, et al.
Veröffentlicht: (2023)

MetaFed: Advancing Privacy, Performance, and Sustainability in Federated Metaverse Systems
von: Yagiz, Muhammet Anil, et al.
Veröffentlicht: (2025)

FedPF: Accurate Target Privacy Preserving Federated Learning Balancing Fairness and Utility
von: Sun, Kangkang, et al.
Veröffentlicht: (2025)

FedML-HE: An Efficient Homomorphic-Encryption-Based Privacy-Preserving Federated Learning System
von: Jin, Weizhao, et al.
Veröffentlicht: (2023)

FedFisher: Leveraging Fisher Information for One-Shot Federated Learning
von: Jhunjhunwala, Divyansh, et al.
Veröffentlicht: (2024)

FedSAF: A Federated Learning Framework for Enhanced Gastric Cancer Detection and Privacy Preservation
von: Miao, Yuxin, et al.
Veröffentlicht: (2025)

FedFetch: Faster Federated Learning with Adaptive Downstream Prefetching
von: Yan, Qifan, et al.
Veröffentlicht: (2025)

FedTracker: Furnishing Ownership Verification and Traceability for Federated Learning Model
von: Shao, Shuo, et al.
Veröffentlicht: (2022)

ParaAegis: Parallel Protection for Flexible Privacy-preserved Federated Learning
von: Wu, Zihou, et al.
Veröffentlicht: (2025)

FedShard: Federated Unlearning with Efficiency Fairness and Performance Fairness
von: Wen, Siyuan, et al.
Veröffentlicht: (2025)

Differential Privacy Personalized Federated Learning Based on Dynamically Sparsified Client Updates
von: Wang, Chuanyin, et al.
Veröffentlicht: (2025)

FedProK: Trustworthy Federated Class-Incremental Learning via Prototypical Feature Knowledge Transfer
von: Gao, Xin, et al.
Veröffentlicht: (2024)

Privacy Protection in Prosumer Energy Management Based on Federated Learning
von: Li, Yunfeng, et al.
Veröffentlicht: (2025)

FedRand: Enhancing Privacy in Federated Learning with Randomized LoRA Subparameter Updates
von: Park, Sangwoo, et al.
Veröffentlicht: (2025)

FedEM: A Privacy-Preserving Framework for Concurrent Utility Preservation in Federated Learning
von: Xu, Mingcong, et al.
Veröffentlicht: (2025)

FedCCL: Federated Clustered Continual Learning Framework for Privacy-focused Energy Forecasting
von: Helcig, Michael A., et al.
Veröffentlicht: (2025)

FedConv: A Learning-on-Model Paradigm for Heterogeneous Federated Clients
von: Shen, Leming, et al.
Veröffentlicht: (2025)

Fed-SE: Federated Self-Evolution for Privacy-Constrained Multi-Environment LLM Agents
von: Chen, Xiang, et al.
Veröffentlicht: (2025)

FedNAMs: Performing Interpretability Analysis in Federated Learning Context
von: Nanda, Amitash, et al.
Veröffentlicht: (2025)

AI-Driven Anonymization: Protecting Personal Data Privacy While Leveraging Machine Learning
von: Yang, Le, et al.
Veröffentlicht: (2024)

FedBKD: Distilled Federated Learning to Embrace Gerneralization and Personalization on Non-IID Data
von: Zhao, Yushan, et al.
Veröffentlicht: (2025)

NeurIPS 2023 Competition: Privacy Preserving Federated Learning Document VQA
von: Tobaben, Marlon, et al.
Veröffentlicht: (2024)

Exploiting Defenses against GAN-Based Feature Inference Attacks in Federated Learning
von: Luo, Xinjian, et al.
Veröffentlicht: (2020)

Free Privacy Protection for Wireless Federated Learning: Enjoy It or Suffer from It?
von: Li, Weicai, et al.
Veröffentlicht: (2025)