Buchumschlag

A Multivocal Literature Review on Privacy and Fairness in Federated Learning

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Balbierer, Beatrice, Heinlein, Lukas, Zipperling, Domenique, Kühl, Niklas
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Machine Learning Artificial Intelligence
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

CollaFuse: Navigating Limited Resources and Privacy in Collaborative Generative AI
von: Zipperling, Domenique, et al.
Veröffentlicht: (2024)

CollaFuse: Collaborative Diffusion Models
von: Allmendinger, Simeon, et al.
Veröffentlicht: (2024)

Integrating Causal Machine Learning into Clinical Decision Support Systems: Insights from Literature and Practice
von: Zipperling, Domenique, et al.
Veröffentlicht: (2026)

Implications of the AI Act for Non-Discrimination Law and Algorithmic Fairness
von: Deck, Luca, et al.
Veröffentlicht: (2024)

Utilizing Data Fingerprints for Privacy-Preserving Algorithm Selection in Time Series Classification: Performance and Uncertainty Estimation on Unseen Datasets
von: Böcking, Lars, et al.
Veröffentlicht: (2024)

It's only fair when I think it's fair: How Gender Bias Alignment Undermines Distributive Fairness in Human-AI Collaboration
von: Zipperling, Domenique, et al.
Veröffentlicht: (2025)

Towards a Problem-Oriented Domain Adaptation Framework for Machine Learning
von: Spitzer, Philipp, et al.
Veröffentlicht: (2025)

Mapping the Potential of Explainable AI for Fairness Along the AI Lifecycle
von: Deck, Luca, et al.
Veröffentlicht: (2024)

PUFFLE: Balancing Privacy, Utility, and Fairness in Federated Learning
von: Corbucci, Luca, et al.
Veröffentlicht: (2024)

Fairness Amidst Non-IID Graph Data: A Literature Review
von: Zhang, Wenbin, et al.
Veröffentlicht: (2022)

Human Preferences in Large Language Model Latent Space: A Technical Analysis on the Reliability of Synthetic Data in Voting Outcome Prediction
von: Ball, Sarah, et al.
Veröffentlicht: (2025)

AFed: Algorithmic Fair Federated Learning
von: Chen, Huiqiang, et al.
Veröffentlicht: (2025)

Fairness in Federated Learning: Fairness for Whom?
von: Taik, Afaf, et al.
Veröffentlicht: (2025)

Learning Heterogeneous Performance-Fairness Trade-offs in Federated Learning
von: Ye, Rongguang, et al.
Veröffentlicht: (2025)

On the Fairness of Privacy Protection: Measuring and Mitigating the Disparity of Group Privacy Risks for Differentially Private Machine Learning
von: Yang, Zhi, et al.
Veröffentlicht: (2025)

Graph Federated Learning for Personalized Privacy Recommendation
von: Na, Ce, et al.
Veröffentlicht: (2025)

Fair Concurrent Training of Multiple Models in Federated Learning
von: Siew, Marie, et al.
Veröffentlicht: (2024)

On ADMM in Heterogeneous Federated Learning: Personalization, Robustness, and Fairness
von: Zhu, Shengkun, et al.
Veröffentlicht: (2024)

FedPF: Accurate Target Privacy Preserving Federated Learning Balancing Fairness and Utility
von: Sun, Kangkang, et al.
Veröffentlicht: (2025)

PFGuard: A Generative Framework with Privacy and Fairness Safeguards
von: Kim, Soyeon, et al.
Veröffentlicht: (2024)

Federated Learning: A Survey on Privacy-Preserving Collaborative Intelligence
von: Rahman, Ratun
Veröffentlicht: (2025)

Design Patterns for AI-based Systems: A Multivocal Literature Review and Pattern Repository
von: Heiland, Lukas, et al.
Veröffentlicht: (2023)

Privacy-Preserving Federated Learning for Fair and Efficient Urban Traffic Optimization
von: Shit, Rathin Chandra, et al.
Veröffentlicht: (2025)

Federated Learning with Differential Privacy: An Utility-Enhanced Approach
von: Ranaweera, Kanishka, et al.
Veröffentlicht: (2025)

FeDABoost: Fairness Aware Federated Learning with Adaptive Boosting
von: Arachchige, Tharuka Kasthuri, et al.
Veröffentlicht: (2025)

Enhancing Model Privacy in Federated Learning with Random Masking and Quantization
von: Xu, Zhibo, et al.
Veröffentlicht: (2025)

Towards Collaborative Fairness in Federated Learning Under Imbalanced Covariate Shift
von: Yu, Tianrun, et al.
Veröffentlicht: (2025)

Over-the-Air Fair Federated Learning via Multi-Objective Optimization
von: Hamidi, Shayan Mohajer, et al.
Veröffentlicht: (2025)

Monitoring Machine Learning Systems: A Multivocal Literature Review
von: Naveed, Hira, et al.
Veröffentlicht: (2025)

A Structured Review of Literature on Uncertainty in Machine Learning & Deep Learning
von: Fakour, Fahimeh, et al.
Veröffentlicht: (2024)

Unlocking Fair Use in the Generative AI Supply Chain: A Systematized Literature Review
von: Mahuli, Amruta, et al.
Veröffentlicht: (2024)

Two-level deep domain decomposition method
von: Dolean, Victorita, et al.
Veröffentlicht: (2024)

Combining Machine Learning and Ontology: A Systematic Literature Review
von: Ghidalia, Sarah, et al.
Veröffentlicht: (2024)

FeDa4Fair: Client-Level Federated Datasets for Fairness Evaluation
von: Heilmann, Xenia, et al.
Veröffentlicht: (2025)

Empirical Analysis of Asynchronous Federated Learning on Heterogeneous Devices: Efficiency, Fairness, and Privacy Trade-offs
von: Mohammadi, Samaneh, et al.
Veröffentlicht: (2025)

AdaFed: Fair Federated Learning via Adaptive Common Descent Direction
von: Hamidi, Shayan Mohajer, et al.
Veröffentlicht: (2024)

Fair Federated Learning under Domain Skew with Local Consistency and Domain Diversity
von: Chen, Yuhang, et al.
Veröffentlicht: (2024)

Privacy-Preserved Automated Scoring using Federated Learning for Educational Research
von: Latif, Ehsan, et al.
Veröffentlicht: (2025)

Rethinking LoRA for Privacy-Preserving Federated Learning in Large Models
von: Liu, Jin, et al.
Veröffentlicht: (2026)

Cumulative Utility Parity for Fair Federated Learning under Intermittent Client Participation
von: Behfar, Stefan, et al.
Veröffentlicht: (2026)