Buchumschlag

Byzantines can also Learn from History: Fall of Centered Clipping in Federated Learning

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Ozfatura, Kerem, Ozfatura, Emre, Kupcu, Alptekin, Gunduz, Deniz
Format:	Preprint
Veröffentlicht:	2022
Schlagworte:	Machine Learning Artificial Intelligence Cryptography and Security Distributed, Parallel, and Cluster Computing
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Aggressive or Imperceptible, or Both: Network Pruning Assisted Hybrid Byzantines in Federated Learning
von: Ozfatura, Emre, et al.
Veröffentlicht: (2024)

Byzantine-Robust Federated Learning Using Generative Adversarial Networks
von: Zafar, Usama, et al.
Veröffentlicht: (2025)

FLGuard: Byzantine-Robust Federated Learning via Ensemble of Contrastive Models
von: Lee, Younghan, et al.
Veröffentlicht: (2024)

EBS-CFL: Efficient and Byzantine-robust Secure Clustered Federated Learning
von: Li, Zhiqiang, et al.
Veröffentlicht: (2025)

DSFL: A Dual-Server Byzantine-Resilient Federated Learning Framework via Group-Based Secure Aggregation
von: Herath, Charuka, et al.
Veröffentlicht: (2025)

Identifying the Truth of Global Model: A Generic Solution to Defend Against Byzantine and Backdoor Attacks in Federated Learning (full version)
von: Ebron, Sheldon C., et al.
Veröffentlicht: (2023)

Rethinking Byzantine Robustness in Federated Recommendation from Sparse Aggregation Perspective
von: Zhang, Zhongjian, et al.
Veröffentlicht: (2025)

Byzantine-Robust Decentralized Federated Learning
von: Fang, Minghong, et al.
Veröffentlicht: (2024)

DP-LAC: Lightweight Adaptive Clipping for Differentially Private Federated Fine-tuning of Language Models
von: Mehmood, Haaris, et al.
Veröffentlicht: (2026)

No Vandalism: Privacy-Preserving and Byzantine-Robust Federated Learning
von: Xing, Zhibo, et al.
Veröffentlicht: (2024)

Practical Framework for Privacy-Preserving and Byzantine-robust Federated Learning
von: Zhang, Baolei, et al.
Veröffentlicht: (2025)

Brave: Byzantine-Resilient and Privacy-Preserving Peer-to-Peer Federated Learning
von: Xu, Zhangchen, et al.
Veröffentlicht: (2024)

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

Byzantine-Resilient Zero-Order Optimization for Communication-Efficient Heterogeneous Federated Learning
von: Egger, Maximilian, et al.
Veröffentlicht: (2025)

Inclusive, Differentially Private Federated Learning for Clinical Data
von: Parampottupadam, Santhosh, et al.
Veröffentlicht: (2025)

BAFFLE: A Baseline of Backpropagation-Free Federated Learning
von: Feng, Haozhe, et al.
Veröffentlicht: (2023)

Secure and Privacy-Preserving Vertical Federated Learning
von: Jin, Shan, et al.
Veröffentlicht: (2026)

Trustworthy Federated Learning: Privacy, Security, and Beyond
von: Chen, Chunlu, et al.
Veröffentlicht: (2024)

Celtibero: Robust Layered Aggregation for Federated Learning
von: Molina-Coronado, Borja
Veröffentlicht: (2024)

Achieving Byzantine-Resilient Federated Learning via Layer-Adaptive Sparsified Model Aggregation
von: Xu, Jiahao, et al.
Veröffentlicht: (2024)

Federated Learning for Cyber Physical Systems: A Comprehensive Survey
von: Quan, Minh K., et al.
Veröffentlicht: (2025)

An Adaptive Differential Privacy Method Based on Federated Learning
von: Wang, Zhiqiang, et al.
Veröffentlicht: (2024)

Federated Learning with Blockchain-Enhanced Machine Unlearning: A Trustworthy Approach
von: Zuo, Xuhan, et al.
Veröffentlicht: (2024)

POPri: Private Federated Learning using Preference-Optimized Synthetic Data
von: Hou, Charlie, et al.
Veröffentlicht: (2025)

Federated Learning: A Cutting-Edge Survey of the Latest Advancements and Applications
von: Akhtarshenas, Azim, et al.
Veröffentlicht: (2023)

Towards Fair, Robust and Efficient Client Contribution Evaluation in Federated Learning
von: Zhang, Meiying, et al.
Veröffentlicht: (2024)

The Robustness of Spiking Neural Networks in Federated Learning with Compression Against Non-omniscient Byzantine Attacks
von: Nguyen, Manh V., et al.
Veröffentlicht: (2025)

StatAvg: Mitigating Data Heterogeneity in Federated Learning for Intrusion Detection Systems
von: Bouzinis, Pavlos S., et al.
Veröffentlicht: (2024)

Communication-Efficient and Differentially Private Vertical Federated Learning with Zeroth-Order Optimization
von: Zhang, Jianing, et al.
Veröffentlicht: (2025)

Federated Spatiotemporal Graph Learning for Passive Attack Detection in Smart Grids
von: Agha, Bochra Al, et al.
Veröffentlicht: (2025)

GANcrop: A Contrastive Defense Against Backdoor Attacks in Federated Learning
von: Gan, Xiaoyun, et al.
Veröffentlicht: (2024)

OmniFed: A Modular Framework for Configurable Federated Learning from Edge to HPC
von: Tyagi, Sahil, et al.
Veröffentlicht: (2025)

Enhancing Security in Federated Learning through Adaptive Consensus-Based Model Update Validation
von: Alsulaimawi, Zahir
Veröffentlicht: (2024)

FedTrident: Resilient Road Condition Classification Against Poisoning Attacks in Federated Learning
von: Liu, Sheng, et al.
Veröffentlicht: (2026)

SelectiveShield: Lightweight Hybrid Defense Against Gradient Leakage in Federated Learning
von: Li, Borui, et al.
Veröffentlicht: (2025)

BackFed: An Efficient & Standardized Benchmark Suite for Backdoor Attacks in Federated Learning
von: Dao, Thinh, et al.
Veröffentlicht: (2025)

QuanCrypt-FL: Quantized Homomorphic Encryption with Pruning for Secure Federated Learning
von: Mia, Md Jueal, et al.
Veröffentlicht: (2024)

Enhancing Trust and Privacy in Distributed Networks: A Comprehensive Survey on Blockchain-based Federated Learning
von: Liu, Ji, et al.
Veröffentlicht: (2024)

Generative AI like ChatGPT in Blockchain Federated Learning: use cases, opportunities and future
von: Puppala, Sai, et al.
Veröffentlicht: (2024)

FedGuard: A Diverse-Byzantine-Robust Mechanism for Federated Learning with Major Malicious Clients
von: Jiang, Haocheng, et al.
Veröffentlicht: (2025)