Buchumschlag

The Privacy Power of Correlated Noise in Decentralized Learning

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Allouah, Youssef, Koloskova, Anastasia, Firdoussi, Aymane El, Jaggi, Martin, Guerraoui, Rachid
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

Balancing Privacy, Robustness, and Efficiency in Machine Learning
von: Allouah, Youssef, et al.
Veröffentlicht: (2023)

Towards Trustworthy Federated Learning with Untrusted Participants
von: Allouah, Youssef, et al.
Veröffentlicht: (2025)

FedADMM-InSa: An Inexact and Self-Adaptive ADMM for Federated Learning
von: Song, Yongcun, et al.
Veröffentlicht: (2024)

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)

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

Optimizing Privacy-Utility Trade-off in Decentralized Learning with Generalized Correlated Noise
von: Rodio, Angelo, et al.
Veröffentlicht: (2025)

On the Inherent Anonymity of Gossiping
von: Guerraoui, Rachid, et al.
Veröffentlicht: (2023)

The Utility and Complexity of in- and out-of-Distribution Machine Unlearning
von: Allouah, Youssef, et al.
Veröffentlicht: (2024)

Chop Chop: Byzantine Atomic Broadcast to the Network Limit
von: Camaioni, Martina, et al.
Veröffentlicht: (2023)

DSig: Breaking the Barrier of Signatures in Data Centers
von: Aguilera, Marcos K., et al.
Veröffentlicht: (2024)

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

Decentralized Collaborative Learning Framework with External Privacy Leakage Analysis
von: Idé, Tsuyoshi, et al.
Veröffentlicht: (2024)

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

Differentially Private Online Federated Learning with Correlated Noise
von: Zhang, Jiaojiao, et al.
Veröffentlicht: (2024)

Muffliato: Peer-to-Peer Privacy Amplification for Decentralized Optimization and Averaging
von: Cyffers, Edwige, et al.
Veröffentlicht: (2022)

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

Differential Privacy Analysis of Decentralized Gossip Averaging under Varying Threat Models
von: Koskela, Antti, et al.
Veröffentlicht: (2025)

DeZent: Decentralized z-Anonymity with Privacy-Preserving Coordination
von: Brunn, Carolin, et al.
Veröffentlicht: (2026)

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

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

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

End-to-End Verifiable Decentralized Federated Learning
von: Lee, Chaehyeon, et al.
Veröffentlicht: (2024)

SmartphoneDemocracy: Privacy-Preserving E-Voting on Decentralized Infrastructure using Novel European Identity
von: Jóźwik, Michał, et al.
Veröffentlicht: (2025)

Protecting Confidentiality, Privacy and Integrity in Collaborative Learning
von: Chen, Dong, et al.
Veröffentlicht: (2024)

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

Improving LoRA in Privacy-preserving Federated Learning
von: Sun, Youbang, et al.
Veröffentlicht: (2024)

Noise-Aware Algorithm for Heterogeneous Differentially Private Federated Learning
von: Malekmohammadi, Saber, et al.
Veröffentlicht: (2024)

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

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

Share Secrets for Privacy: Confidential Forecasting with Vertical Federated Learning
von: Shankar, Aditya, et al.
Veröffentlicht: (2024)

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

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

Certified Unlearning for Neural Networks
von: Koloskova, Anastasia, et al.
Veröffentlicht: (2025)

PPVF: An Efficient Privacy-Preserving Online Video Fetching Framework with Correlated Differential Privacy
von: Zhang, Xianzhi, et al.
Veröffentlicht: (2024)

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)

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

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

Detect \& Score: Privacy-Preserving Misbehaviour Detection and Contribution Evaluation in Federated Learning
von: Xhemrishi, Marvin, et al.
Veröffentlicht: (2025)