Buchumschlag

Federated Cubic Regularized Newton Learning with Sparsification-amplified Differential Privacy

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Huo, Wei, Liu, Changxin, Ding, Kemi, Johansson, Karl Henrik, Shi, Ling
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Machine Learning Systems and Control
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Decentralized Optimization with Amplified Privacy via Efficient Communication
von: Huo, Wei, et al.
Veröffentlicht: (2025)

Enhancing Privacy in Federated Learning through Local Training
von: Bastianello, Nicola, et al.
Veröffentlicht: (2024)

Real-time Hybrid System Identification with Online Deterministic Annealing
von: Mavridis, Christos, et al.
Veröffentlicht: (2024)

Differentially Private Dual Gradient Tracking for Distributed Resource Allocation
von: Huo, Wei, et al.
Veröffentlicht: (2024)

A survey on secure decentralized optimization and learning
von: Liu, Changxin, et al.
Veröffentlicht: (2024)

Achieving Linear Speedup for Composite Federated Learning
von: Huang, Kun, et al.
Veröffentlicht: (2026)

Compression-based Privacy Preservation for Distributed Nash Equilibrium Seeking in Aggregative Games
von: Huo, Wei, et al.
Veröffentlicht: (2024)

KKL Observer Synthesis for Nonlinear Systems via Physics-Informed Learning
von: Niazi, M. Umar B., et al.
Veröffentlicht: (2025)

Communication-efficient and Differentially-private Distributed Nash Equilibrium Seeking with Linear Convergence
von: Chen, Xiaomeng, et al.
Veröffentlicht: (2024)

HyperKKL: Learning KKL Observers for Non-Autonomous Nonlinear Systems via Hypernetwork-Based Input Conditioning
von: Shaaban, Yahia Salaheldin, et al.
Veröffentlicht: (2026)

Imitation Learning of MPC with Neural Networks: Error Guarantees and Sparsification
von: Alsmeier, Hendrik, et al.
Veröffentlicht: (2025)

Robust Online Learning over Networks
von: Bastianello, Nicola, et al.
Veröffentlicht: (2023)

Optimization and Learning in Open Multi-Agent Systems
von: Deplano, Diego, et al.
Veröffentlicht: (2025)

Communication-Efficient Stochastic Distributed Learning
von: Ren, Xiaoxing, et al.
Veröffentlicht: (2025)

Jointly Computation- and Communication-Efficient Distributed Learning
von: Ren, Xiaoxing, et al.
Veröffentlicht: (2025)

Communication-Efficient Distributed Learning with Differential Privacy
von: Ren, Xiaoxing, et al.
Veröffentlicht: (2026)

Risk-averse Learning with Non-Stationary Distributions
von: Wang, Siyi, et al.
Veröffentlicht: (2024)

Communication-Efficient Learning for Satellite Constellations
von: Tudose, Ruxandra-Stefania, et al.
Veröffentlicht: (2025)

RHYME-XT: A Neural Operator for Spatiotemporal Control Systems
von: Ruiter, Marijn, et al.
Veröffentlicht: (2026)

Optimal Scheduling of Multiple Sensors over Lossy and Bandwidth Limited Channels
von: Wu, Shuang, et al.
Veröffentlicht: (2018)

Improving Stochastic Cubic Newton with Momentum
von: Chayti, El Mahdi, et al.
Veröffentlicht: (2024)

Privacy-Preserving Federated Learning Framework for Distributed Chemical Process Optimization
von: Pipattaratonchai, Teetat, et al.
Veröffentlicht: (2026)

Wasserstein Distributionally Robust Nash Equilibrium Seeking with Heterogeneous Data: A Lagrangian Approach
von: Wang, Zifan, et al.
Veröffentlicht: (2025)

Krylov Cubic Regularized Newton: A Subspace Second-Order Method with Dimension-Free Convergence Rate
von: Jiang, Ruichen, et al.
Veröffentlicht: (2024)

Quasi-Newton Compatible Actor-Critic for Deterministic Policies
von: Kordabad, Arash Bahari, et al.
Veröffentlicht: (2025)

Personalized Federated Learning by Energy-Efficient UAV Communications
von: Guo, Shiqian, et al.
Veröffentlicht: (2026)

Symmetric Rank-One Quasi-Newton Methods for Deep Learning Using Cubic Regularization
von: Ranganath, Aditya, et al.
Veröffentlicht: (2025)

Enhancing Cyber Resilience of Networked Microgrids using Vertical Federated Reinforcement Learning
von: Mukherjee, Sayak, et al.
Veröffentlicht: (2022)

Privacy-Preserving Data Fusion for Traffic State Estimation: A Vertical Federated Learning Approach
von: Wang, Qiqing, et al.
Veröffentlicht: (2024)

Computationally efficient Gauss-Newton reinforcement learning for model predictive control
von: Brandner, Dean, et al.
Veröffentlicht: (2025)

Federated Multi-Agent Deep Reinforcement Learning Approach via Physics-Informed Reward for Multi-Microgrid Energy Management
von: Li, Yuanzheng, et al.
Veröffentlicht: (2022)

Relative Entropy Regularized Reinforcement Learning for Efficient Encrypted Policy Synthesis
von: Suh, Jihoon, et al.
Veröffentlicht: (2025)

Decentralized Online Regularized Learning Over Random Time-Varying Graphs
von: Zhang, Xiwei, et al.
Veröffentlicht: (2022)

Learning Stable and Passive Neural Differential Equations
von: Cheng, Jing, et al.
Veröffentlicht: (2024)

Clustered Federated Learning for Generalizable FDIA Detection in Smart Grids with Heterogeneous Data
von: Li, Yunfeng, et al.
Veröffentlicht: (2025)

Learn for Variation: Variationally Guided AAV Trajectory Learning in Differentiable Environments
von: Wang, Xiucheng, et al.
Veröffentlicht: (2026)

Combining Federated Learning and Control: A Survey
von: Weber, Jakob, et al.
Veröffentlicht: (2024)

Federated Learning Approach to Mitigate Water Wastage
von: Ahmadi, Sina Hajer, et al.
Veröffentlicht: (2024)

Scalar Federated Learning for Linear Quadratic Regulator
von: Rostami, Mohammadreza, et al.
Veröffentlicht: (2026)

Distributed Federated Learning by Alternating Periods of Training
von: Bhattacharyya, Shamik, et al.
Veröffentlicht: (2026)