Buchumschlag

Privacy-Preserving Orthogonal Aggregation for Guaranteeing Gender Fairness in Federated Recommendation

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Zhang, Siqing, Ding, Yuchen, Tang, Wei, Sun, Wei, Liao, Yong, Zhou, Peng Yuan
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Fairness and Privacy Guarantees in Federated Contextual Bandits
von: Solanki, Sambhav, et al.
Veröffentlicht: (2024)

DDP-SA: Scalable Privacy-Preserving Federated Learning via Distributed Differential Privacy and Secure Aggregation
von: Wei, Wenjing, et al.
Veröffentlicht: (2026)

Lossless Privacy-Preserving Aggregation for Decentralized Federated Learning
von: Miao, Xiaoye, et al.
Veröffentlicht: (2025)

FairGFL: Privacy-Preserving Fairness-Aware Federated Learning with Overlapping Subgraphs
von: Zhou, Zihao, et al.
Veröffentlicht: (2025)

Efficiently Achieving Secure Model Training and Secure Aggregation to Ensure Bidirectional Privacy-Preservation in Federated Learning
von: Yang, Xue, et al.
Veröffentlicht: (2024)

FedEM: A Privacy-Preserving Framework for Concurrent Utility Preservation in Federated Learning
von: Xu, Mingcong, et al.
Veröffentlicht: (2025)

Privacy Preserved Federated Learning with Attention-Based Aggregation for Biometric Recognition
von: Azezew, Kassahun, et al.
Veröffentlicht: (2025)

Privacy-Preserving Personalized Federated Prompt Learning for Multimodal Large Language Models
von: Tran, Linh, et al.
Veröffentlicht: (2025)

A Survey of Personalized Federated Foundation Models for Privacy-Preserving Recommendation
von: Li, Zhiwei, et al.
Veröffentlicht: (2025)

FedRLHF: A Convergence-Guaranteed Federated Framework for Privacy-Preserving and Personalized RLHF
von: Fan, Flint Xiaofeng, et al.
Veröffentlicht: (2024)

Training Fair Models in Federated Learning without Data Privacy Infringement
von: Che, Xin, et al.
Veröffentlicht: (2021)

Privacy-Preserving Multimodal News Recommendation through Federated Learning
von: Khalaj, Mehdi, et al.
Veröffentlicht: (2025)

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

Federated Latent Factor Model for Bias-Aware Recommendation with Privacy-Preserving
von: Gao, Junxiang, et al.
Veröffentlicht: (2025)

DP-NCB: Privacy Preserving Fair Bandits
von: Sarkar, Dhruv, et al.
Veröffentlicht: (2025)

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

Differentially Private Clustered Federated Learning with Privacy-Preserving Initialization and Normality-Driven Aggregation
von: Xu, Jie, et al.
Veröffentlicht: (2026)

Efficient Federated Unlearning with Adaptive Differential Privacy Preservation
von: Jiang, Yu, et al.
Veröffentlicht: (2024)

Privacy-Preserving Dynamic Assortment Selection
von: Cho, Young Hyun, et al.
Veröffentlicht: (2024)

A Privacy Preserving System for Movie Recommendations Using Federated Learning
von: Neumann, David, et al.
Veröffentlicht: (2023)

Intersectional Two-sided Fairness in Recommendation
von: Wang, Yifan, et al.
Veröffentlicht: (2024)

Graph Federated Unlearning for Privacy Preservation
von: Ma, Ruotong, et al.
Veröffentlicht: (2026)

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

Privacy-Utility-Bias Trade-offs for Privacy-Preserving Recommender Systems
von: Parsarad, Shiva, et al.
Veröffentlicht: (2025)

Privacy-Preserving Fair Synthetic Tabular Data
von: Sarmin, Fatima J., et al.
Veröffentlicht: (2025)

Fairness-aware Federated Minimax Optimization with Convergence Guarantee
von: Dunda, Gerry Windiarto Mohamad, et al.
Veröffentlicht: (2023)

Convergence-Privacy-Fairness Trade-Off in Personalized Federated Learning
von: Zhao, Xiyu, et al.
Veröffentlicht: (2025)

Privacy-Preserving Reinforcement Learning from Human Feedback via Decoupled Reward Modeling
von: Cho, Young Hyun, et al.
Veröffentlicht: (2026)

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

LightSplit: Practical Privacy-Preserving Split Learning via Orthogonal Projections
von: Cihangiroglu, Mert, et al.
Veröffentlicht: (2026)

λ-SecAgg: Partial Vector Freezing for Lightweight Secure Aggregation in Federated Learning
von: Zhang, Siqing, et al.
Veröffentlicht: (2023)

FedAA: A Reinforcement Learning Perspective on Adaptive Aggregation for Fair and Robust Federated Learning
von: He, Jialuo, et al.
Veröffentlicht: (2024)

Privacy Preserving and Robust Aggregation for Cross-Silo Federated Learning in Non-IID Settings
von: Arazzi, Marco, et al.
Veröffentlicht: (2025)

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

FedShard: Federated Unlearning with Efficiency Fairness and Performance Fairness
von: Wen, Siyuan, et al.
Veröffentlicht: (2025)

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

Enhancing Convergence, Privacy and Fairness for Wireless Personalized Federated Learning: Quantization-Assisted Min-Max Fair Scheduling
von: Zhao, Xiyu, et al.
Veröffentlicht: (2025)

Preserving Privacy and Security in Federated Learning
von: Nguyen, Truc, et al.
Veröffentlicht: (2022)

Towards Privacy-Preserving Medical Imaging: Federated Learning with Differential Privacy and Secure Aggregation Using a Modified ResNet Architecture
von: Fares, Mohamad Haj, et al.
Veröffentlicht: (2024)

Do Fairness Interventions Come at the Cost of Privacy: Evaluations for Binary Classifiers
von: Tian, Huan, et al.
Veröffentlicht: (2025)