Buchumschlag

Near-Optimal Privacy-Preserving Learning for Max-Min Fair Multi-Agent Bandits

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
1. Verfasser:	Leshem, Amir
Format:	Preprint
Veröffentlicht:	2023
Schlagworte:	Machine Learning Computers and Society Distributed, Parallel, and Cluster Computing
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Enhancing Convergence, Privacy and Fairness for Wireless Personalized Federated Learning: Quantization-Assisted Min-Max Fair Scheduling
von: Zhao, Xiyu, et al.
Veröffentlicht: (2025)

FairGFL: Privacy-Preserving Fairness-Aware Federated Learning with Overlapping Subgraphs
von: Zhou, Zihao, et al.
Veröffentlicht: (2025)

Preserving Near-Optimal Gradient Sparsification Cost for Scalable Distributed Deep Learning
von: Yoon, Daegun, et al.
Veröffentlicht: (2024)

PraFFL: A Preference-Aware Scheme in Fair Federated Learning
von: Ye, Rongguang, et al.
Veröffentlicht: (2024)

Enhancing Privacy in Decentralized Min-Max Optimization: A Differentially Private Approach
von: Quan, Yueyang, et al.
Veröffentlicht: (2025)

FedTilt: Towards Multi-Level Fairness-Preserving and Robust Federated Learning
von: Zhang, Binghui, et al.
Veröffentlicht: (2025)

Decentralized Personalized Federated Learning for Min-Max Problems
von: Borodich, Ekaterina, et al.
Veröffentlicht: (2021)

A Biased Estimator for MinMax Sampling and Distributed Aggregation
von: Wolfrath, Joel, et al.
Veröffentlicht: (2024)

Low-Cost Privacy-Preserving Decentralized Learning
von: Biswas, Sayan, et al.
Veröffentlicht: (2024)

Convergence-Privacy-Fairness Trade-Off in Personalized Federated Learning
von: Zhao, Xiyu, et al.
Veröffentlicht: (2025)

Fair Distributed Cooperative Bandit Learning on Networks for Intelligent Internet of Things Systems (Technical Report)
von: Chen, Ziqun, et al.
Veröffentlicht: (2024)

FedFair^3: Unlocking Threefold Fairness in Federated Learning
von: Javaherian, Simin, et al.
Veröffentlicht: (2024)

Privacy-Preserving Federated Learning with Consistency via Knowledge Distillation Using Conditional Generator
von: Luo, Kangyang, et al.
Veröffentlicht: (2024)

Min-Max Gathering on Infinite Grid
von: Chakraborty, Abhinav, et al.
Veröffentlicht: (2024)

Order-Optimal Regret in Distributed Kernel Bandits using Uniform Sampling with Shared Randomness
von: Pavlovic, Nikola, et al.
Veröffentlicht: (2024)

Learning to Schedule Online Tasks with Bandit Feedback
von: Xu, Yongxin, et al.
Veröffentlicht: (2024)

A Theory of Multi-Agent Generative Flow Networks
von: Brunswic, Leo Maxime, et al.
Veröffentlicht: (2025)

Multi-Agent Bandit Learning through Heterogeneous Action Erasure Channels
von: Hanna, Osama A., et al.
Veröffentlicht: (2023)

Fair Decentralized Learning
von: Biswas, Sayan, et al.
Veröffentlicht: (2024)

Securing Health Data on the Blockchain: A Differential Privacy and Federated Learning Framework
von: Commey, Daniel, et al.
Veröffentlicht: (2024)

A Federated Learning Platform as a Service for Advancing Stroke Management in European Clinical Centers
von: Santos, Diogo Reis, et al.
Veröffentlicht: (2024)

Byzantine Fault-Tolerant Min-Max Optimization
von: Liu, Shuo, et al.
Veröffentlicht: (2022)

FedGAT: A Privacy-Preserving Federated Approximation Algorithm for Graph Attention Networks
von: Ambekar, Siddharth, et al.
Veröffentlicht: (2024)

Federated Fairness without Access to Sensitive Groups
von: Papadaki, Afroditi, et al.
Veröffentlicht: (2024)

Cascading Bandits With Feedback
von: Prakash, R Sri, et al.
Veröffentlicht: (2025)

Near-Optimal Resilient Aggregation Rules for Distributed Learning Using 1-Center and 1-Mean Clustering with Outliers
von: Yi, Yuhao, et al.
Veröffentlicht: (2023)

LoGoFair: Post-Processing for Local and Global Fairness in Federated Learning
von: Zhang, Li, et al.
Veröffentlicht: (2025)

Communication-Efficient and Privacy-Preserving Decentralized Meta-Learning
von: Yang, Hansi, et al.
Veröffentlicht: (2024)

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

On the Tradeoff between Privacy Preservation and Byzantine-Robustness in Decentralized Learning
von: Ye, Haoxiang, et al.
Veröffentlicht: (2023)

Tackling Privacy Heterogeneity in Differentially Private Federated Learning
von: Xu, Ruichen, et al.
Veröffentlicht: (2026)

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

Aequa: Fair Model Rewards in Collaborative Learning via Slimmable Networks
von: Tastan, Nurbek, et al.
Veröffentlicht: (2025)

GradualDiff-Fed: A Federated Learning Specialized Framework for Large Language Model
von: Faiyaz, Amir, et al.
Veröffentlicht: (2025)

Privacy Preserving Machine Learning Model Personalization through Federated Personalized Learning
von: Hosain, Md. Tanzib, et al.
Veröffentlicht: (2025)

FedGA: A Fair Federated Learning Framework Based on the Gini Coefficient
von: Liu, ShanBin
Veröffentlicht: (2025)

Emulating Full Participation: An Effective and Fair Client Selection Strategy for Federated Learning
von: Li, Qingming, et al.
Veröffentlicht: (2024)

CYCle: Choosing Your Collaborators Wisely to Enhance Collaborative Fairness in Decentralized Learning
von: Tastan, Nurbek, et al.
Veröffentlicht: (2025)

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

Linkage on Security, Privacy and Fairness in Federated Learning: New Balances and New Perspectives
von: Wang, Linlin, et al.
Veröffentlicht: (2024)