Buchumschlag

History-Aware and Dynamic Client Contribution in Federated Learning

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Ghosh, Bishwamittra, Basu, Debabrota, Huazhu, Fu, Yuan, Wang, Kanagavelu, Renuga, Peng, Jiang Jin, Yong, Liu, Rick, Goh Siow Mong, Qingsong, Wei
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Machine Learning Artificial Intelligence Cryptography and Security
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

DPxFin: Adaptive Differential Privacy for Anti-Money Laundering Detection via Reputation-Weighted Federated Learning
von: Kanagavelu, Renuga, et al.
Veröffentlicht: (2026)

An Aggregation-Free Federated Learning for Tackling Data Heterogeneity
von: Wang, Yuan, et al.
Veröffentlicht: (2024)

AiRacleX: Automated Detection of Price Oracle Manipulations via LLM-Driven Knowledge Mining and Prompt Generation
von: Gao, Bo, et al.
Veröffentlicht: (2025)

BriDe Arbitrager: Enhancing Arbitrage in Ethereum 2.0 via Bribery-enabled Delayed Block Production
von: Yang, Hulin, et al.
Veröffentlicht: (2024)

A New Perspective to Boost Performance Fairness for Medical Federated Learning
von: Yan, Yunlu, et al.
Veröffentlicht: (2024)

Some Targets Are Harder to Identify than Others: Quantifying the Target-dependent Membership Leakage
von: Azize, Achraf, et al.
Veröffentlicht: (2024)

Concentrated Differential Privacy for Bandits
von: Azize, Achraf, et al.
Veröffentlicht: (2023)

Sequential Membership Inference Attacks
von: Michel, Thomas, et al.
Veröffentlicht: (2026)

DP-SPRT: Differentially Private Sequential Probability Ratio Tests
von: Michel, Thomas, et al.
Veröffentlicht: (2025)

Testing Credibility of Public and Private Surveys through the Lens of Regression
von: Basu, Debabrota, et al.
Veröffentlicht: (2024)

Differentially Private Best-Arm Identification
von: Azize, Achraf, et al.
Veröffentlicht: (2024)

Local Data Quantity-Aware Weighted Averaging for Federated Learning with Dishonest Clients
von: Wu, Leming, et al.
Veröffentlicht: (2025)

Privacy-Preserving Federated Unlearning with Certified Client Removal
von: Liu, Ziyao, et al.
Veröffentlicht: (2024)

Look Back for More: Harnessing Historical Sequential Updates for Personalized Federated Adapter Tuning
von: Peng, Danni, et al.
Veröffentlicht: (2025)

Robust Client-Server Watermarking for Split Federated Learning
von: Tang, Jiaxiong, et al.
Veröffentlicht: (2025)

Harmless Backdoor-based Client-side Watermarking in Federated Learning
von: Luo, Kaijing, et al.
Veröffentlicht: (2024)

MAUI: Reconstructing Private Client Data in Federated Transfer Learning
von: Dabholkar, Ahaan, et al.
Veröffentlicht: (2025)

Client-Verifiable and Efficient Federated Unlearning in Low-Altitude Wireless Networks
von: Xu, Yuhua, et al.
Veröffentlicht: (2026)

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

Optimal Client Sampling in Federated Learning with Client-Level Heterogeneous Differential Privacy
von: Xu, Jiahao, et al.
Veröffentlicht: (2025)

DP-BREM: Differentially-Private and Byzantine-Robust Federated Learning with Client Momentum
von: Gu, Xiaolan, et al.
Veröffentlicht: (2023)

Robust Federated Learning for Malicious Clients using Loss Trend Deviation Detection
von: Bhaskar, Deepthy K, et al.
Veröffentlicht: (2026)

SecureFed: A Two-Phase Framework for Detecting Malicious Clients in Federated Learning
von: Kavuri, Likhitha Annapurna, et al.
Veröffentlicht: (2025)

Local Differential Privacy for Federated Learning with Fixed Memory Usage and Per-Client Privacy
von: Behnia, Rouzbeh, et al.
Veröffentlicht: (2025)

Browser Fingerprint Detection and Anti-Tracking
von: Lin, Kaitong, et al.
Veröffentlicht: (2025)

FedFDP: Fairness-Aware Federated Learning with Differential Privacy
von: Ling, Xinpeng, et al.
Veröffentlicht: (2024)

Federated Learning Clients Clustering with Adaptation to Data Drifts
von: Li, Minghao, et al.
Veröffentlicht: (2024)

Constructing Adversarial Examples for Vertical Federated Learning: Optimal Client Corruption through Multi-Armed Bandit
von: Yao, Duanyi, et al.
Veröffentlicht: (2024)

DOPA: Stealthy and Generalizable Backdoor Attacks from a Single Client under Challenging Federated Constraints
von: Qin, Xuezheng, et al.
Veröffentlicht: (2025)

FL-PLAS: Federated Learning with Partial Layer Aggregation for Backdoor Defense Against High-Ratio Malicious Clients
von: Zhang, Jianyi, et al.
Veröffentlicht: (2025)

Bandwidth-Efficient Two-Server ORAMs with O(1) Client Storage
von: Wang, Wei, et al.
Veröffentlicht: (2025)

SLVR: Securely Leveraging Client Validation for Robust Federated Learning
von: Choi, Jihye, et al.
Veröffentlicht: (2025)

Trust Driven On-Demand Scheme for Client Deployment in Federated Learning
von: Chahoud, Mario, et al.
Veröffentlicht: (2024)

The More is not the Merrier: Investigating the Effect of Client Size on Federated Learning
von: Wallach, Eleanor, et al.
Veröffentlicht: (2025)

Fine-Tuning Personalization in Federated Learning to Mitigate Adversarial Clients
von: Allouah, Youssef, et al.
Veröffentlicht: (2024)

Fake or Compromised? Making Sense of Malicious Clients in Federated Learning
von: Mozaffari, Hamid, et al.
Veröffentlicht: (2024)

On the Security of SSH Client Signatures
von: Bäumer, Fabian, et al.
Veröffentlicht: (2025)

Client-Cooperative Split Learning
von: Deng, Haiyu, et al.
Veröffentlicht: (2026)

Unconditionally Safe Light Client
von: Moshrefi, Niusha, et al.
Veröffentlicht: (2024)

Light Clients for Lazy Blockchains
von: Tas, Ertem Nusret, et al.
Veröffentlicht: (2022)