Buchumschlag

How Does the Smoothness Approximation Method Facilitate Generalization for Federated Adversarial Learning?

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Ding, Wenjun, An, Ying, Chen, Lixing, Kan, Shichao, Wu, Fan, Qu, Zhe
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

A Closer Look at Adversarial Suffix Learning for Jailbreaking LLMs: Augmented Adversarial Trigger Learning
von: Wang, Zhe, et al.
Veröffentlicht: (2025)

Domain Adversarial Active Learning for Domain Generalization Classification
von: Chen, Jianting, et al.
Veröffentlicht: (2024)

Bridging Smoothness and Approximation: Theoretical Insights into Over-Smoothing in Graph Neural Networks
von: Yang, Guangrui, et al.
Veröffentlicht: (2024)

Generalized Category Discovery in Federated Graph Learning
von: Yuan, Zhongzheng, et al.
Veröffentlicht: (2026)

Federated Domain Generalization with Label Smoothing and Balanced Decentralized Training
von: Soltany, Milad, et al.
Veröffentlicht: (2024)

FedModule: A Modular Federated Learning Framework
von: Chen, Chuyi, et al.
Veröffentlicht: (2024)

Fast Adversarial Training against Sparse Attacks Requires Loss Smoothing
von: Zhong, Xuyang, et al.
Veröffentlicht: (2025)

FedProphet: Memory-Efficient Federated Adversarial Training via Robust and Consistent Cascade Learning
von: Tang, Minxue, et al.
Veröffentlicht: (2024)

FedTSA: A Cluster-based Two-Stage Aggregation Method for Model-heterogeneous Federated Learning
von: Fan, Boyu, et al.
Veröffentlicht: (2024)

Contrastive Regularization over LoRA for Multimodal Biomedical Image Incremental Learning
von: Zhang, Haojie, et al.
Veröffentlicht: (2025)

Global Convergence Guarantees for Federated Policy Gradient Methods with Adversaries
von: Ganesh, Swetha, et al.
Veröffentlicht: (2024)

FAA-CLIP: Federated Adversarial Adaptation of CLIP
von: Wu, Yihang, et al.
Veröffentlicht: (2025)

HealSplit: Towards Self-Healing through Adversarial Distillation in Split Federated Learning
von: Xie, Yuhan, et al.
Veröffentlicht: (2025)

The ODE Method for Stochastic Approximation and Reinforcement Learning with Markovian Noise
von: Liu, Shuze Daniel, et al.
Veröffentlicht: (2024)

How Smoothing is N-simplicial Attention?
von: Dussolle, Alexandre, et al.
Veröffentlicht: (2025)

pFedGPA: Diffusion-based Generative Parameter Aggregation for Personalized Federated Learning
von: Lai, Jiahao, et al.
Veröffentlicht: (2024)

Certified Adversarial Robustness via Partition-based Randomized Smoothing
von: Goli, Hossein, et al.
Veröffentlicht: (2024)

Cooperative Edge Caching Based on Elastic Federated and Multi-Agent Deep Reinforcement Learning in Next-Generation Network
von: Wu, Qiong, et al.
Veröffentlicht: (2024)

Adversarial Robustness Unhardening via Backdoor Attacks in Federated Learning
von: Kim, Taejin, et al.
Veröffentlicht: (2023)

Grounding Foundation Models through Federated Transfer Learning: A General Framework
von: Kang, Yan, et al.
Veröffentlicht: (2023)

Exploring Sparsity and Smoothness of Arbitrary $\ell_p$ Norms in Adversarial Attacks
von: Duhme, Christof, et al.
Veröffentlicht: (2026)

Offline RL with Smooth OOD Generalization in Convex Hull and its Neighborhood
von: Yao, Qingmao, et al.
Veröffentlicht: (2025)

Adversarial Instance Generation and Robust Training for Neural Combinatorial Optimization with Multiple Objectives
von: Liu, Wei, et al.
Veröffentlicht: (2026)

Hide and Find: A Distributed Adversarial Attack on Federated Graph Learning
von: Liu, Jinshan, et al.
Veröffentlicht: (2026)

Principled Approximation Methods for Efficient and Scalable Deep Learning
von: Savarese, Pedro
Veröffentlicht: (2025)

Tackling the Non-IID Issue in Heterogeneous Federated Learning by Gradient Harmonization
von: Zhang, Xinyu, et al.
Veröffentlicht: (2023)

A General Method for Proving Networks Universal Approximation Property
von: Wang, Wei
Veröffentlicht: (2025)

DecompGAIL: Learning Realistic Traffic Behaviors with Decomposed Multi-Agent Generative Adversarial Imitation Learning
von: Guo, Ke, et al.
Veröffentlicht: (2025)

Online Adversarial Knowledge Distillation for Graph Neural Networks
von: Wang, Can, et al.
Veröffentlicht: (2021)

Remote Rowhammer Attack using Adversarial Observations on Federated Learning Clients
von: Yuan, Jinsheng, et al.
Veröffentlicht: (2025)

A Historical Trajectory Assisted Optimization Method for Zeroth-Order Federated Learning
von: Wu, Chenlin, et al.
Veröffentlicht: (2024)

MLDGG: Meta-Learning for Domain Generalization on Graphs
von: Tian, Qin, et al.
Veröffentlicht: (2024)

Data Valuation for Vertical Federated Learning: A Model-free and Privacy-preserving Method
von: Han, Xiao, et al.
Veröffentlicht: (2021)

Diffusion Guided Adversarial State Perturbations in Reinforcement Learning
von: Sun, Xiaolin, et al.
Veröffentlicht: (2025)

Trivialized Momentum Facilitates Diffusion Generative Modeling on Lie Groups
von: Zhu, Yuchen, et al.
Veröffentlicht: (2024)

Demystifying Online Clustering of Bandits: Enhanced Exploration Under Stochastic and Smoothed Adversarial Contexts
von: Li, Zhuohua, et al.
Veröffentlicht: (2025)

Fluid Grey 2: How Well Does Generative Adversarial Network Learn Deeper Topology Structure in Architecture That Matches Images?
von: Qiu, Yayan, et al.
Veröffentlicht: (2025)

How Worst-Case Are Adversarial Attacks? Linking Adversarial and Perturbation Robustness
von: Rossolini, Giulio
Veröffentlicht: (2026)

DeNoise: Learning Robust Graph Representations for Unsupervised Graph-Level Anomaly Detection
von: Chen, Qingfeng, et al.
Veröffentlicht: (2025)

Calibrated Language Models and How to Find Them with Label Smoothing
von: Huang, Jerry, et al.
Veröffentlicht: (2025)