Buchumschlag

Effectiveness of L2 Regularization in Privacy-Preserving Machine Learning

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Chandrinos, Nikolaos, Loi, Iliana, Zachos, Panagiotis, Symeonidis, Ioannis, Spiliotis, Aristotelis, Panou, Maria, Moustakas, Konstantinos
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Machine Learning Artificial Intelligence Cryptography and Security
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Privacy Preserving Machine Learning Workflow: from Anonymization to Personalized Differential Privacy Budgets in Federated Learning
von: Díaz, Judith Sáinz-Pardo, et al.
Veröffentlicht: (2026)

State-of-the-Art Approaches to Enhancing Privacy Preservation of Machine Learning Datasets: A Survey
von: Zhang, Chaoyu, et al.
Veröffentlicht: (2024)

Privacy-Preserving Decentralized Federated Learning via Explainable Adaptive Differential Privacy
von: Piran, Fardin Jalil, et al.
Veröffentlicht: (2025)

Privacy-Preserving, Dropout-Resilient Aggregation in Decentralized Learning
von: Ghavamipour, Ali Reza, et al.
Veröffentlicht: (2024)

Privacy-Preserving Aggregation for Decentralized Learning with Byzantine-Robustness
von: Ghavamipour, Ali Reza, et al.
Veröffentlicht: (2024)

Towards Efficient Privacy-Preserving Machine Learning: A Systematic Review from Protocol, Model, and System Perspectives
von: Zeng, Wenxuan, et al.
Veröffentlicht: (2025)

Privacy-Preserving LLMs Routing
von: Wu, Xidong, et al.
Veröffentlicht: (2026)

A Quantization-based Technique for Privacy Preserving Distributed Learning
von: Colombo, Maurizio, et al.
Veröffentlicht: (2024)

TAPFed: Threshold Secure Aggregation for Privacy-Preserving Federated Learning
von: Xu, Runhua, et al.
Veröffentlicht: (2025)

Privacy-Preserving AI-Enabled Decentralized Learning and Employment Records System
von: Xu, Yuqiao, et al.
Veröffentlicht: (2026)

Privacy Preservation in Gen AI Applications
von: S, Swetha, et al.
Veröffentlicht: (2025)

Efficient Privacy-Preserving Retrieval Augmented Generation with Distance-Preserving Encryption
von: Ye, Huanyi, et al.
Veröffentlicht: (2026)

PrivacyRestore: Privacy-Preserving Inference in Large Language Models via Privacy Removal and Restoration
von: Zeng, Ziqian, et al.
Veröffentlicht: (2024)

FedAdOb: Privacy-Preserving Federated Deep Learning with Adaptive Obfuscation
von: Gu, Hanlin, et al.
Veröffentlicht: (2024)

Deciphering the Interplay between Attack and Protection Complexity in Privacy-Preserving Federated Learning
von: Zhang, Xiaojin, et al.
Veröffentlicht: (2025)

A Privacy-Preserving Federated Learning Method with Homomorphic Encryption in Omics Data
von: Negoya, Yusaku, et al.
Veröffentlicht: (2025)

Privacy-Preserving Decentralized AI with Confidential Computing
von: Lee, Dayeol, et al.
Veröffentlicht: (2024)

Zero-Knowledge Federated Learning: A New Trustworthy and Privacy-Preserving Distributed Learning Paradigm
von: Wang, Taotao, et al.
Veröffentlicht: (2025)

No Free Lunch Theorem for Privacy-Preserving LLM Inference
von: Zhang, Xiaojin, et al.
Veröffentlicht: (2024)

Privacy-Preserving Diffusion Model Using Homomorphic Encryption
von: Chen, Yaojian, et al.
Veröffentlicht: (2024)

MedHE: Communication-Efficient Privacy-Preserving Federated Learning with Adaptive Gradient Sparsification for Healthcare
von: Yesmin, Farjana
Veröffentlicht: (2025)

VFEFL: Privacy-Preserving Federated Learning against Malicious Clients via Verifiable Functional Encryption
von: Cai, Nina, et al.
Veröffentlicht: (2025)

Privacy Preservation and Identity Tracing Prevention in AI-Driven Eye Tracking for Interactive Learning Environments
von: Rehman, Abdul, et al.
Veröffentlicht: (2025)

FedRW: Efficient Privacy-Preserving Data Reweighting for Enhancing Federated Learning of Language Models
von: Ye, Pukang, et al.
Veröffentlicht: (2025)

FheFL: Fully Homomorphic Encryption Friendly Privacy-Preserving Federated Learning with Byzantine Users
von: Rahulamathavan, Yogachandran, et al.
Veröffentlicht: (2023)

NOIR: Privacy-Preserving Generation of Code with Open-Source LLMs
von: Nguyen, Khoa, et al.
Veröffentlicht: (2026)

Privacy-Preserving Federated Learning from Partial Decryption Verifiable Threshold Multi-Client Functional Encryption
von: Wang, Minjie, et al.
Veröffentlicht: (2025)

Scaling While Privacy Preserving: A Comprehensive Synthetic Tabular Data Generation and Evaluation in Learning Analytics
von: Liu, Qinyi, et al.
Veröffentlicht: (2024)

Federated Learning Based Decentralized Adaptive Intelligent Transmission Protocol for Privacy Preserving 6G Networks
von: Ahmed, Ansar
Veröffentlicht: (2025)

Assessing the Impact of Packing on Machine Learning-Based Malware Detection and Classification Systems
von: Gibert, Daniel, et al.
Veröffentlicht: (2024)

Training Machine Learning Models on Encrypted Data: A Privacy-Preserving Framework using Homomorphic Encryption
von: Marques, Alexandre, et al.
Veröffentlicht: (2026)

Outsourced Privacy-Preserving Feature Selection Based on Fully Homomorphic Encryption
von: Wakiyama, Koki, et al.
Veröffentlicht: (2025)

Generating Privacy-Preserving Personalized Advice with Zero-Knowledge Proofs and LLMs
von: Watanabe, Hiroki, et al.
Veröffentlicht: (2025)

Privacy-Preserving Large Language Models: Mechanisms, Applications, and Future Directions
von: Zhao, Guoshenghui, et al.
Veröffentlicht: (2024)

Privacy-Preserving in Blockchain-based Federated Learning Systems
von: M., Sameera K., et al.
Veröffentlicht: (2024)

Privacy Preserving Federated Learning with Convolutional Variational Bottlenecks
von: Scheliga, Daniel, et al.
Veröffentlicht: (2023)

Privacy Risks and Preservation Methods in Explainable Artificial Intelligence: A Scoping Review
von: Allana, Sonal, et al.
Veröffentlicht: (2025)

PRSI: Privacy-Preserving Recommendation Model Based on Vector Splitting and Interactive Protocols
von: Cao, Xiaokai, et al.
Veröffentlicht: (2024)

PRIVATEEDIT: A Privacy-Preserving Pipeline for Face-Centric Generative Image Editing
von: Tamboli, Dipesh, et al.
Veröffentlicht: (2026)

Unlocking Apple's Private Cloud Compute: An Analysis of Privacy-Preserving Artificial Intelligence
von: Dittmar, Yannik, et al.
Veröffentlicht: (2026)