Buchumschlag

BGTplanner: Maximizing Training Accuracy for Differentially Private Federated Recommenders via Strategic Privacy Budget Allocation

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Zhang, Xianzhi, Zhou, Yipeng, Hu, Miao, Wu, Di, Liao, Pengshan, Guizani, Mohsen, Sheng, Michael
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Machine Learning Distributed, Parallel, and Cluster Computing
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

PPVF: An Efficient Privacy-Preserving Online Video Fetching Framework with Correlated Differential Privacy
von: Zhang, Xianzhi, et al.
Veröffentlicht: (2024)

A Survey on Privacy-Preserving Caching at Network Edge: Classification, Solutions, and Challenges
von: Zhang, Xianzhi, et al.
Veröffentlicht: (2024)

Tackling Privacy Heterogeneity in Differentially Private Federated Learning
von: Xu, Ruichen, et al.
Veröffentlicht: (2026)

Resource Allocation of Industry 4.0 Micro-Service Applications across Serverless Fog Federation
von: Hussain, Razin Farhan, et al.
Veröffentlicht: (2024)

Federated Learning Using Coupled Tensor Train Decomposition
von: Zhang, Xiangtao, et al.
Veröffentlicht: (2024)

Skipper: Maximal Matching with a Single Pass over Edges
von: Esfahani, Mohsen Koohi
Veröffentlicht: (2025)

One-Bit Model Aggregation for Differentially Private and Byzantine-Robust Personalized Federated Learning
von: Lan, Muhang, et al.
Veröffentlicht: (2025)

Federated Learning and Evolutionary Game Model for Fog Federation Formation
von: Yasser, Zyad, et al.
Veröffentlicht: (2024)

Differentially Private Federated Learning With Time-Adaptive Privacy Spending
von: Kiani, Shahrzad, et al.
Veröffentlicht: (2025)

BOA Constrictor: Squeezing Performance out of GPUs in the Cloud via Budget-Optimal Allocation
von: Li, Zhouzi, et al.
Veröffentlicht: (2026)

HE2C: A Holistic Approach for Allocating Latency-Sensitive AI Tasks across Edge-Cloud
von: Kim, Minseo, et al.
Veröffentlicht: (2024)

Locally Differentially Private Online Federated Learning With Correlated Noise
von: Zhang, Jiaojiao, et al.
Veröffentlicht: (2024)

Federated Learning within Global Energy Budget over Heterogeneous Edge Accelerators
von: Banerjee, Roopkatha, et al.
Veröffentlicht: (2025)

Lightweight Federated Learning with Differential Privacy and Straggler Resilience
von: Hong, Shu, et al.
Veröffentlicht: (2024)

Energy-efficient Federated Learning with Dynamic Model Size Allocation
von: Kumar, M S Chaitanya, et al.
Veröffentlicht: (2024)

Communication-and-Computation Efficient Split Federated Learning: Gradient Aggregation and Resource Management
von: Liang, Yipeng, et al.
Veröffentlicht: (2025)

Towards Privacy-, Budget-, and Deadline-Aware Service Optimization for Large Medical Image Processing across Hybrid Clouds
von: Wang, Yuandou, et al.
Veröffentlicht: (2024)

Optimizing Resource Allocation and Energy Efficiency in Federated Fog Computing for IoT
von: Shah, Syed Sarmad, et al.
Veröffentlicht: (2025)

Decentralized Proactive Model Offloading and Resource Allocation for Split and Federated Learning
von: Huang, Binbin, et al.
Veröffentlicht: (2024)

Adversarial Analysis of the Differentially-Private Federated Learning in Cyber-Physical Critical Infrastructures
von: Hossain, Md Tamjid, et al.
Veröffentlicht: (2022)

Generative Federated Learning for Smart Prediction and Recommendation Applications
von: Mukherjee, Anwesha, et al.
Veröffentlicht: (2025)

Differentially Private Perturbed Push-Sum Protocol and Its Application in Non-Convex Optimization
von: Zhou, Yiming, et al.
Veröffentlicht: (2026)

Differential Privacy Preserving Distributed Quantum Computing
von: Zhong, Hui, et al.
Veröffentlicht: (2024)

Optimizing Frequent Checkpointing via Low-Cost Differential for Distributed Training Systems
von: Yao, Chenxuan, et al.
Veröffentlicht: (2025)

Differentially Private Clustered Federated Learning
von: Malekmohammadi, Saber, et al.
Veröffentlicht: (2024)

FedSem: A Resource Allocation Scheme for Federated Learning Assisted Semantic Communication
von: Zhou, Xinyu, et al.
Veröffentlicht: (2025)

Dynamic Client Clustering, Bandwidth Allocation, and Workload Optimization for Semi-synchronous Federated Learning
von: Yu, Liangkun, et al.
Veröffentlicht: (2024)

Privacy-Preserving Federated Heavy Hitter Analytics for Non-IID Data
von: Shao, Jiaqi, et al.
Veröffentlicht: (2023)

Parallel Dynamic Maximal Matching
von: Ghaffari, Mohsen, et al.
Veröffentlicht: (2024)

Privacy-preserving Chunk Scheduling in a BitTorrent Implementation of Federated Learning
von: Li, Naicheng, et al.
Veröffentlicht: (2026)

AIGC-assisted Federated Learning for Vehicular Edge Intelligence: Vehicle Selection, Resource Allocation and Model Augmentation
von: Qiang, Xianke, et al.
Veröffentlicht: (2025)

ExClique: An Express Consensus Algorithm for High-Speed Transaction Process in Blockchains
von: Zhao, Chonghe, et al.
Veröffentlicht: (2025)

Differentially-Private Multi-Tier Federated Learning
von: Chen, Evan, et al.
Veröffentlicht: (2024)

DOPD: A Dynamic PD-Disaggregation Architecture for Maximizing Goodput in LLM Inference Serving
von: Liao, Junhan, et al.
Veröffentlicht: (2025)

Breaking the Aggregation Bottleneck in Federated Recommendation: A Personalized Model Merging Approach
von: Chen, Jundong, et al.
Veröffentlicht: (2025)

ParaAegis: Parallel Protection for Flexible Privacy-preserved Federated Learning
von: Wu, Zihou, et al.
Veröffentlicht: (2025)

Experiences Building Enterprise-Level Privacy-Preserving Federated Learning to Power AI for Science
von: Li, Zilinghan, et al.
Veröffentlicht: (2025)

SHARE: Optimizing Secure Hub Allocation and Routing Efficiency in Payment Channel Networks
von: Yang, Lingxiao, et al.
Veröffentlicht: (2025)

FedSZ: Leveraging Error-Bounded Lossy Compression for Federated Learning Communications
von: Wilkins, Grant, et al.
Veröffentlicht: (2023)

Federated Learning with Integrated Sensing, Communication, and Computation: Frameworks and Performance Analysis
von: Liang, Yipeng, et al.
Veröffentlicht: (2024)