Buchumschlag

The Effect of Quantization in Federated Learning: A Rényi Differential Privacy Perspective

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Kang, Tianqu, Liu, Lumin, He, Hengtao, Zhang, Jun, Song, S. H., Letaief, Khaled B.
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Machine Learning Cryptography and Security Distributed, Parallel, and Cluster Computing
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

PCDM: A Diffusion-Based Data Poisoning Attack Against Federated Learning Systems
von: Sun, Wei, et al.
Veröffentlicht: (2026)

Lightweight Federated Learning with Differential Privacy and Straggler Resilience
von: Hong, Shu, et al.
Veröffentlicht: (2024)

Comments on "Federated Learning with Differential Privacy: Algorithms and Performance Analysis"
von: Talaei, Mahtab, et al.
Veröffentlicht: (2024)

Differential Privacy for Secure Machine Learning in Healthcare IoT-Cloud Systems
von: Mangala, N, et al.
Veröffentlicht: (2025)

On Fair Ordering and Differential Privacy
von: Cohen, Shir, et al.
Veröffentlicht: (2025)

An Adaptive Differential Privacy Method Based on Federated Learning
von: Wang, Zhiqiang, et al.
Veröffentlicht: (2024)

Advances in Privacy Preserving Federated Learning to Realize a Truly Learning Healthcare System
von: Madduri, Ravi, et al.
Veröffentlicht: (2024)

Privacy-First Crowdsourcing: Blockchain and Local Differential Privacy in Crowdsourced Drone Services
von: Akram, Junaid, et al.
Veröffentlicht: (2024)

Quantum-Inspired Privacy-Preserving Federated Learning Framework for Secure Dementia Classification
von: Tanbhir, Gazi, et al.
Veröffentlicht: (2025)

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

DP2Guard: A Lightweight and Byzantine-Robust Privacy-Preserving Federated Learning Scheme for Industrial IoT
von: Han, Baofu, et al.
Veröffentlicht: (2025)

A Model Consistency-Based Countermeasure to GAN-Based Data Poisoning Attack in Federated Learning
von: Sun, Wei, 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)

PPFPL: Cross-silo Privacy-preserving Federated Prototype Learning Against Data Poisoning Attacks
von: Zhang, Hongliang, et al.
Veröffentlicht: (2025)

Adversarial Analysis of the Differentially-Private Federated Learning in Cyber-Physical Critical Infrastructures
von: Hossain, Md Tamjid, et al.
Veröffentlicht: (2022)

A Framework for Evaluating Privacy-Utility Trade-off in Vertical Federated Learning
von: Kang, Yan, et al.
Veröffentlicht: (2022)

Lancelot: Towards Efficient and Privacy-Preserving Byzantine-Robust Federated Learning within Fully Homomorphic Encryption
von: Jiang, Siyang, 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)

Privacy-Preserving Data Processing in Cloud : From Homomorphic Encryption to Federated Analytics
von: Sarraf, Gaurav, et al.
Veröffentlicht: (2026)

Differentially-Private Multi-Tier Federated Learning
von: Chen, Evan, et al.
Veröffentlicht: (2024)

Trustworthy Federated Learning: Privacy, Security, and Beyond
von: Chen, Chunlu, et al.
Veröffentlicht: (2024)

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

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

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

Secure and Privacy-Preserving Vertical Federated Learning
von: Jin, Shan, et al.
Veröffentlicht: (2026)

HHEML: Hybrid Homomorphic Encryption for Privacy-Preserving Machine Learning on Edge
von: Chan, Yu Hin, et al.
Veröffentlicht: (2025)

Towards Resilient Federated Learning in CyberEdge Networks: Recent Advances and Future Trends
von: Li, Kai, et al.
Veröffentlicht: (2025)

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

LiFeChain: Lightweight Blockchain for Secure and Efficient Federated Lifelong Learning in IoT
von: Chen, Handi, et al.
Veröffentlicht: (2025)

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

DPBalance: Efficient and Fair Privacy Budget Scheduling for Federated Learning as a Service
von: Liu, Yu, et al.
Veröffentlicht: (2024)

LiteChain: A Lightweight Blockchain for Verifiable and Scalable Federated Learning in Massive Edge Networks
von: Chen, Handi, et al.
Veröffentlicht: (2025)

Split Learning without Local Weight Sharing to Enhance Client-side Data Privacy
von: Pham, Ngoc Duy, et al.
Veröffentlicht: (2022)

HERL: Tiered Federated Learning with Adaptive Homomorphic Encryption using Reinforcement Learning
von: Tang, Jiaxang, et al.
Veröffentlicht: (2024)

SMTFL: Secure Model Training to Untrusted Participants in Federated Learning
von: Zhao, Zhihui, et al.
Veröffentlicht: (2025)

Fantastyc: Blockchain-based Federated Learning Made Secure and Practical
von: Boitier, William, et al.
Veröffentlicht: (2024)

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

When Quantum Federated Learning Meets Blockchain in 6G Networks
von: Nguyen, Dinh C., et al.
Veröffentlicht: (2025)

DarkFed: A Data-Free Backdoor Attack in Federated Learning
von: Li, Minghui, et al.
Veröffentlicht: (2024)