Buchumschlag

FedADMM-InSa: An Inexact and Self-Adaptive ADMM for Federated Learning

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Song, Yongcun, Wang, Ziqi, Zuazua, Enrique
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Machine Learning Cryptography and Security Distributed, Parallel, and Cluster Computing Optimization and Control
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Residual-Evasive Attacks on ADMM in Distributed Optimization
von: Bruckmeier, Sabrina, et al.
Veröffentlicht: (2025)

The Privacy Power of Correlated Noise in Decentralized Learning
von: Allouah, Youssef, et al.
Veröffentlicht: (2024)

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

Seeking Consensus on Subspaces in Federated Principal Component Analysis
von: Wang, Lei, et al.
Veröffentlicht: (2020)

Smoothed Normalization for Efficient Distributed Private Optimization
von: Shulgin, Egor, et al.
Veröffentlicht: (2025)

Federated Learning for Pediatric Pneumonia Detection: Enabling Collaborative Diagnosis Without Sharing Patient Data
von: Jimenez-Gutierrez, Daniel M., et al.
Veröffentlicht: (2025)

FedTGP: Trainable Global Prototypes with Adaptive-Margin-Enhanced Contrastive Learning for Data and Model Heterogeneity in Federated Learning
von: Zhang, Jianqing, et al.
Veröffentlicht: (2024)

FedCert: Federated Accuracy Certification
von: Nguyen, Minh Hieu, et al.
Veröffentlicht: (2024)

FedBaF: Federated Learning Aggregation Biased by a Foundation Model
von: Park, Jong-Ik, et al.
Veröffentlicht: (2024)

Federated Graph Learning with Adaptive Importance-based Sampling
von: Li, Anran, et al.
Veröffentlicht: (2024)

DP$^2$-FedSAM: Enhancing Differentially Private Federated Learning Through Personalized Sharpness-Aware Minimization
von: Zhang, Zhenxiao, et al.
Veröffentlicht: (2024)

Distributed Constraint-Coupled Optimization: Harnessing ADMM-consensus for robustness
von: Messilem, Mohamed Abdelmouamin, et al.
Veröffentlicht: (2025)

Deep Transfer Hashing for Adaptive Learning on Federated Streaming Data
von: Röder, Manuel, et al.
Veröffentlicht: (2024)

Differentially Private Federated Learning With Time-Adaptive Privacy Spending
von: Kiani, Shahrzad, et al.
Veröffentlicht: (2025)

Adaptive Differential Privacy in Federated Learning: A Priority-Based Approach
von: Talaei, Mahtab, et al.
Veröffentlicht: (2024)

Enhancing Federated Learning with Adaptive Differential Privacy and Priority-Based Aggregation
von: Talaei, Mahtab, et al.
Veröffentlicht: (2024)

Federated Cyber Defense: Privacy-Preserving Ransomware Detection Across Distributed Systems
von: Jimenez-Gutierrez, Daniel M., et al.
Veröffentlicht: (2025)

Poisoning with A Pill: Circumventing Detection in Federated Learning
von: Guo, Hanxi, et al.
Veröffentlicht: (2024)

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

FedCanon: Non-Convex Composite Federated Learning with Efficient Proximal Operation on Heterogeneous Data
von: Zhou, Yuan, et al.
Veröffentlicht: (2025)

Provably Robust Federated Reinforcement Learning
von: Fang, Minghong, et al.
Veröffentlicht: (2025)

SkyMask: Attack-agnostic Robust Federated Learning with Fine-grained Learnable Masks
von: Yan, Peishen, et al.
Veröffentlicht: (2023)

The Effect of Quantization in Federated Learning: A Rényi Differential Privacy Perspective
von: Kang, Tianqu, et al.
Veröffentlicht: (2024)

Toward Malicious Clients Detection in Federated Learning
von: Dou, Zhihao, et al.
Veröffentlicht: (2025)

Adaptive Federated Learning with Auto-Tuned Clients
von: Kim, Junhyung Lyle, et al.
Veröffentlicht: (2023)

Foundation Models in Federated Learning: Assessing Backdoor Vulnerabilities
von: Li, Xi, et al.
Veröffentlicht: (2024)

SecureAFL: Secure Asynchronous Federated Learning
von: Gao, Anjun, et al.
Veröffentlicht: (2026)

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

Towards Trustworthy Federated Learning
von: Basharat, Alina, et al.
Veröffentlicht: (2025)

A Survey for Federated Learning Evaluations: Goals and Measures
von: Chai, Di, et al.
Veröffentlicht: (2023)

Hear No Evil: Detecting Gradient Leakage by Malicious Servers in Federated Learning
von: Wang, Fei, et al.
Veröffentlicht: (2025)

ADI: Adversarial Dominating Inputs in Vertical Federated Learning Systems
von: Pang, Qi, et al.
Veröffentlicht: (2022)

Personalized Federated Learning via Stacking
von: Cantu-Cervini, Emilio
Veröffentlicht: (2024)

Differentially Private Clustered Federated Learning
von: Malekmohammadi, Saber, et al.
Veröffentlicht: (2024)

A Survey on Decentralized Federated Learning
von: Gabrielli, Edoardo, et al.
Veröffentlicht: (2023)

Anomalous Client Detection in Federated Learning
von: Thakur, Dipanwita, et al.
Veröffentlicht: (2024)

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

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

ZK-HybridFL: Zero-Knowledge Proof-Enhanced Hybrid Ledger for Federated Learning
von: Taherpour, Amirhossein, et al.
Veröffentlicht: (2026)

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