:: Library Catalog

Buchumschlag

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Han, Zhongxuan, Zhang, Li, Chen, Chaochao, Zheng, Xiaolin, Zheng, Fei, Li, Yuyuan, Yin, Jianwei
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Machine Learning
Online-Zugang:	https://arxiv.org/abs/2411.06881
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

LoGoFair: Post-Processing for Local and Global Fairness in Federated Learning
von: Zhang, Li, et al.
Veröffentlicht: (2025)

FedFACT: A Provable Framework for Controllable Group-Fairness Calibration in Federated Learning
von: Zhang, Li, et al.
Veröffentlicht: (2025)

Integration of Large Language Models and Federated Learning
von: Chen, Chaochao, et al.
Veröffentlicht: (2023)

Federated Learning on Non-iid Data via Local and Global Distillation
von: Zheng, Xiaolin, et al.
Veröffentlicht: (2023)

Reproducibility Companion Paper:In-processing User Constrained Dominant Sets for User-Oriented Fairness in Recommender Systems
von: Liu, Yixiu, et al.
Veröffentlicht: (2025)

Class-wise Federated Unlearning: Harnessing Active Forgetting with Teacher-Student Memory Generation
von: Li, Yuyuan, et al.
Veröffentlicht: (2023)

PermLLM: Private Inference of Large Language Models within 3 Seconds under WAN
von: Zheng, Fei, et al.
Veröffentlicht: (2024)

Reproducibility Companion Paper: Making Users Indistinguishable: Attribute-wise Unlearning in Recommender Systems
von: Li, Yuyuan, et al.
Veröffentlicht: (2025)

Controllable Unlearning for Image-to-Image Generative Models via $\varepsilon$-Constrained Optimization
von: Feng, Xiaohua, et al.
Veröffentlicht: (2024)

Sharpness-Aware Minimization for Generalized Embedding Learning in Federated Recommendation
von: Yu, Fengyuan, et al.
Veröffentlicht: (2026)

Protecting Split Learning by Potential Energy Loss
von: Zheng, Fei, et al.
Veröffentlicht: (2022)

Demystifying the Optimal Fair Classifier in Multi-Class Classification
von: Zhang, Li, et al.
Veröffentlicht: (2026)

A Survey on Generative Model Unlearning: Fundamentals, Taxonomy, Evaluation, and Future Direction
von: Feng, Xiaohua, et al.
Veröffentlicht: (2025)

Generalizable Multimodal Large Language Model Editing via Invariant Trajectory Learning
von: Su, Jiajie, et al.
Veröffentlicht: (2026)

Taming the Long Tail: Efficient Item-wise Sharpness-Aware Minimization for LLM-based Recommender Systems
von: Zhang, Jiaming, et al.
Veröffentlicht: (2026)

Reducing Communication for Split Learning by Randomized Top-k Sparsification
von: Zheng, Fei, et al.
Veröffentlicht: (2023)

A Neuro-inspired Interpretation of Unlearning in Large Language Models through Sample-level Unlearning Difficulty
von: Feng, Xiaohua, et al.
Veröffentlicht: (2025)

Rethinking the Representation in Federated Unsupervised Learning with Non-IID Data
von: Liao, Xinting, et al.
Veröffentlicht: (2024)

FOOGD: Federated Collaboration for Both Out-of-distribution Generalization and Detection
von: Liao, Xinting, et al.
Veröffentlicht: (2024)

Gradient Purification: Defense Against Poisoning Attack in Decentralized Federated Learning
von: Li, Bin, et al.
Veröffentlicht: (2025)

LEGO: A Lightweight and Efficient Multiple-Attribute Unlearning Framework for Recommender Systems
von: Yu, Fengyuan, et al.
Veröffentlicht: (2025)

Bridging the Gap Between Preference Alignment and Machine Unlearning
von: Feng, Xiaohua, et al.
Veröffentlicht: (2025)

CURE4Rec: A Benchmark for Recommendation Unlearning with Deeper Influence
von: Chen, Chaochao, et al.
Veröffentlicht: (2024)

Post-Training Attribute Unlearning in Recommender Systems
von: Chen, Chaochao, et al.
Veröffentlicht: (2024)

TOFA: Training-Free One-Shot Federated Adaptation for Vision-Language Models
von: Zhang, Li, et al.
Veröffentlicht: (2025)

Privacy Protection in Prosumer Energy Management Based on Federated Learning
von: Li, Yunfeng, et al.
Veröffentlicht: (2025)

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

Belief-Enriched Pessimistic Q-Learning against Adversarial State Perturbations
von: Sun, Xiaolin, et al.
Veröffentlicht: (2024)

BoostFGL: Boosting Fairness in Federated Graph Learning
von: Chen, Zekai, et al.
Veröffentlicht: (2026)

Fair Wasserstein Coresets
von: Xiong, Zikai, et al.
Veröffentlicht: (2023)

Distribution-Free Fair Federated Learning with Small Samples
von: Yin, Qichuan, et al.
Veröffentlicht: (2024)

Adaptive Client Sampling in Federated Learning via Online Learning with Bandit Feedback
von: Zhao, Boxin, et al.
Veröffentlicht: (2021)

FedConv: A Learning-on-Model Paradigm for Heterogeneous Federated Clients
von: Shen, Leming, et al.
Veröffentlicht: (2025)

Personalized Bayesian Federated Learning with Wasserstein Barycenter Aggregation
von: Wei, Ting, et al.
Veröffentlicht: (2025)

Fair Graph Representation Learning via Sensitive Attribute Disentanglement
von: Zhu, Yuchang, et al.
Veröffentlicht: (2024)

RAID: An In-Training Defense against Attribute Inference Attacks in Recommender Systems
von: Feng, Xiaohua, et al.
Veröffentlicht: (2025)

FairWASP: Fast and Optimal Fair Wasserstein Pre-processing
von: Xiong, Zikai, et al.
Veröffentlicht: (2023)

When Foundation Model Meets Federated Learning: Motivations, Challenges, and Future Directions
von: Zhuang, Weiming, et al.
Veröffentlicht: (2023)

Fairness in Multi-Task Learning via Wasserstein Barycenters
von: Hu, François, et al.
Veröffentlicht: (2023)

Fair Uncertainty Quantification for Depression Prediction
von: Li, Yonghong, et al.
Veröffentlicht: (2025)