Buchumschlag

Private Blind Model Averaging - Distributed, Non-interactive, and Convergent

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Kirschte, Moritz, Meiser, Sebastian, Ardalan, Saman, Mohammadi, Esfandiar
Format:	Preprint
Veröffentlicht:	2022
Schlagworte:	Cryptography and Security Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

S-BDT: Distributed Differentially Private Boosted Decision Trees
von: Peinemann, Thorsten, et al.
Veröffentlicht: (2023)

Differentially Private Inductive Miner
von: Schulze, Max, et al.
Veröffentlicht: (2024)

Non-omniscient backdoor injection with one poison sample: Proving the one-poison hypothesis for linear regression, linear classification, and 2-layer ReLU neural networks
von: Peinemann, Thorsten, et al.
Veröffentlicht: (2025)

Fake detection in imbalance dataset by Semi-supervised learning with GAN
von: Bordbar, Jinus, et al.
Veröffentlicht: (2022)

DPM: Clustering Sensitive Data through Separation
von: Liebenow, Johannes, et al.
Veröffentlicht: (2023)

New intelligent defense systems to reduce the risks of Selfish Mining and Double-Spending attacks using Learning Automata
von: Ghoreishi, Seyed Ardalan, et al.
Veröffentlicht: (2023)

Dash: Accelerating Distributed Private Convolutional Neural Network Inference with Arithmetic Garbled Circuits
von: Sander, Jonas, et al.
Veröffentlicht: (2023)

Understanding the Theoretical Guarantees of DPM
von: Schütt, Yara, et al.
Veröffentlicht: (2025)

Locally Differentially Private Embedding Models in Distributed Fraud Prevention Systems
von: Perez, Iker, et al.
Veröffentlicht: (2024)

PCDP-SGD: Improving the Convergence of Differentially Private SGD via Projection in Advance
von: Sha, Haichao, et al.
Veröffentlicht: (2023)

PrivATE: Differentially Private Confidence Intervals for Average Treatment Effects
von: Schröder, Maresa, et al.
Veröffentlicht: (2025)

Differentially Private Optimization for Non-Decomposable Objective Functions
von: Kong, Weiwei, et al.
Veröffentlicht: (2023)

Lower Bounds for Public-Private Learning under Distribution Shift
von: Setlur, Amrith, et al.
Veröffentlicht: (2025)

Distributed Differentially Private Data Analytics via Secure Sketching
von: Burkhardt, Jakob, et al.
Veröffentlicht: (2024)

Differentially Private Sampling from Distributions via Wasserstein Projection
von: Takakura, Shokichi, et al.
Veröffentlicht: (2026)

Differentially Private Diffusion Models
von: Dockhorn, Tim, et al.
Veröffentlicht: (2022)

Differentially Private Nonparametric Confidence Intervals Under Minimal Distributional Assumptions
von: Shoham, Tomer, et al.
Veröffentlicht: (2025)

On the Benefits of Public Representations for Private Transfer Learning under Distribution Shift
von: Thaker, Pratiksha, et al.
Veröffentlicht: (2023)

Pencil: Private and Extensible Collaborative Learning without the Non-Colluding Assumption
von: Liu, Xuanqi, et al.
Veröffentlicht: (2024)

Differentially Private Random Feature Model
von: Liao, Chunyang, et al.
Veröffentlicht: (2024)

Privately Aligning Language Models with Reinforcement Learning
von: Wu, Fan, et al.
Veröffentlicht: (2023)

Scaling Laws for Differentially Private Language Models
von: McKenna, Ryan, et al.
Veröffentlicht: (2025)

Differentially Private Training of Mixture of Experts Models
von: Tholoniat, Pierre, et al.
Veröffentlicht: (2024)

Majority Vote for Distributed Differentially Private Sign Selection
von: Liu, Weidong, et al.
Veröffentlicht: (2022)

Flamingo: Multi-Round Single-Server Secure Aggregation with Applications to Private Federated Learning
von: Ma, Yiping, et al.
Veröffentlicht: (2023)

Training Differentially Private Models with Secure Multiparty Computation
von: Pentyala, Sikha, et al.
Veröffentlicht: (2022)

Efficient Differentially Private Fine-Tuning of Diffusion Models
von: Liu, Jing, et al.
Veröffentlicht: (2024)

DP-LDMs: Differentially Private Latent Diffusion Models
von: Liu, Michael F., et al.
Veröffentlicht: (2023)

Privately Learning Decision Lists and a Differentially Private Winnow
von: Bun, Mark, et al.
Veröffentlicht: (2026)

Private and Communication-Efficient Federated Learning based on Differentially Private Sketches
von: Zhang, Meifan, et al.
Veröffentlicht: (2024)

Differentially Private Subspace Fine-Tuning for Large Language Models
von: Zheng, Lele, et al.
Veröffentlicht: (2026)

Pre-training Differentially Private Models with Limited Public Data
von: Bu, Zhiqi, et al.
Veröffentlicht: (2024)

Releasing Differentially Private Event Logs Using Generative Models
von: Wangelik, Frederik, et al.
Veröffentlicht: (2025)

DP-TLDM: Differentially Private Tabular Latent Diffusion Model
von: Zhu, Chaoyi, et al.
Veröffentlicht: (2024)

Adaptively Private Next-Token Prediction of Large Language Models
von: Flemings, James, et al.
Veröffentlicht: (2024)

Concept Drift Detection using Ensemble of Integrally Private Models
von: Varshney, Ayush K., et al.
Veröffentlicht: (2024)

DMM: Distributed Matrix Mechanism for Differentially-Private Federated Learning Based on Constant-Overhead Linear Secret Resharing
von: Bienstock, Alexander, et al.
Veröffentlicht: (2024)

Learning with Locally Private Examples by Inverse Weierstrass Private Stochastic Gradient Descent
von: Dufraiche, Jean, et al.
Veröffentlicht: (2026)

Auditing Differential Privacy Guarantees Using Density Estimation
von: Koskela, Antti, et al.
Veröffentlicht: (2024)

FedIDM: Achieving Fast and Stable Convergence in Byzantine Federated Learning through Iterative Distribution Matching
von: Yang, He, et al.
Veröffentlicht: (2026)