Buchumschlag

fluke: Federated Learning Utility frameworK for Experimentation and research

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
1. Verfasser:	Polato, Mirko
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

SILK: Smooth InterpoLation frameworK for motion in-betweening A Simplified Computational Approach
von: Akhoundi, Elly, et al.
Veröffentlicht: (2025)

Federated Learning with Differential Privacy: An Utility-Enhanced Approach
von: Ranaweera, Kanishka, et al.
Veröffentlicht: (2025)

Proximity-based Self-Federated Learning
von: Domini, Davide, et al.
Veröffentlicht: (2024)

Cumulative Utility Parity for Fair Federated Learning under Intermittent Client Participation
von: Behfar, Stefan, et al.
Veröffentlicht: (2026)

OPUS-VFL: Incentivizing Optimal Privacy-Utility Tradeoffs in Vertical Federated Learning
von: Madabushi, Sindhuja, et al.
Veröffentlicht: (2025)

Multi-Objective Optimization for Privacy-Utility Balance in Differentially Private Federated Learning
von: Ranaweera, Kanishka, et al.
Veröffentlicht: (2025)

FBFL: A Field-Based Coordination Approach for Data Heterogeneity in Federated Learning
von: Domini, Davide, et al.
Veröffentlicht: (2025)

A Theoretical Analysis of Efficiency Constrained Utility-Privacy Bi-Objective Optimization in Federated Learning
von: Gu, Hanlin, et al.
Veröffentlicht: (2023)

On the Sensitivity of Firing Rate-Based Federated Spiking Neural Networks to Differential Privacy
von: Pereira, Luiz, et al.
Veröffentlicht: (2026)

PUFFLE: Balancing Privacy, Utility, and Fairness in Federated Learning
von: Corbucci, Luca, et al.
Veröffentlicht: (2024)

A Unified Learn-to-Distort-Data Framework for Privacy-Utility Trade-off in Trustworthy Federated Learning
von: Zhang, Xiaojin, et al.
Veröffentlicht: (2024)

Understanding Federated Learning from IID to Non-IID dataset: An Experimental Study
von: Seo, Jungwon, et al.
Veröffentlicht: (2025)

Trajectory Modeling via Random Utility Inverse Reinforcement Learning
von: Pitombeira-Neto, Anselmo R., et al.
Veröffentlicht: (2021)

Clients Collaborate: Flexible Differentially Private Federated Learning with Guaranteed Improvement of Utility-Privacy Trade-off
von: Li, Yuecheng, et al.
Veröffentlicht: (2024)

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

On the Global Optimality of Policy Gradient Methods in General Utility Reinforcement Learning
von: Barakat, Anas, et al.
Veröffentlicht: (2024)

Towards Achieving Near-optimal Utility for Privacy-Preserving Federated Learning via Data Generation and Parameter Distortion
von: Zhang, Xiaojin, et al.
Veröffentlicht: (2023)

SoK: Benchmarking Poisoning Attacks and Defenses in Federated Learning
von: Zhang, Heyi, et al.
Veröffentlicht: (2025)

Deep Multi-Objective Reinforcement Learning for Utility-Based Infrastructural Maintenance Optimization
von: van Remmerden, Jesse, et al.
Veröffentlicht: (2024)

Beyond Experience Retrieval: Learning to Generate Utility-Optimized Structured Experience for Frozen LLMs
von: Li, Xuancheng, et al.
Veröffentlicht: (2026)

Continuous-Utility Direct Preference Optimization
von: Mohsin, Muhammad Ahmed, et al.
Veröffentlicht: (2026)

Scalable Utility-Aware Multiclass Calibration
von: Hegazy, Mahmoud, et al.
Veröffentlicht: (2025)

Federated Learning Playground
von: Shan, Bryan, et al.
Veröffentlicht: (2026)

Dyn-D$^2$P: Dynamic Differentially Private Decentralized Learning with Provable Utility Guarantee
von: Zhu, Zehan, et al.
Veröffentlicht: (2025)

Tailoring Adverse Event Prediction in Type 1 Diabetes with Patient-Specific Deep Learning Models
von: Rigamonti, Giorgia, et al.
Veröffentlicht: (2026)

Grounding and Enhancing Informativeness and Utility in Dataset Distillation
von: Wang, Shaobo, et al.
Veröffentlicht: (2026)

Preference Models assume Proportional Hazards of Utilities
von: Nagpal, Chirag
Veröffentlicht: (2025)

FUGNN: Harmonizing Fairness and Utility in Graph Neural Networks
von: Luo, Renqiang, et al.
Veröffentlicht: (2024)

Modeling Multi-Objective Tradeoffs with Monotonic Utility Functions
von: Chen, Edward, et al.
Veröffentlicht: (2024)

Discrete-Choice Model with Generalized Additive Utility Network
von: Nishi, Tomoki, et al.
Veröffentlicht: (2023)

Federated Learning Framework via Distributed Mutual Learning
von: Gupta, Yash
Veröffentlicht: (2025)

Enhancing Robustness of Federated Learning via Server Learning
von: Mai, Van Sy, et al.
Veröffentlicht: (2026)

Personalized Federated Learning via Learning Dynamic Graphs
von: Zhou, Ziran, et al.
Veröffentlicht: (2025)

Federated Graph Semantic and Structural Learning
von: Huang, Wenke, et al.
Veröffentlicht: (2024)

One-Shot Clustering for Federated Learning
von: Zuziak, Maciej Krzysztof, et al.
Veröffentlicht: (2025)

Bayesian Federated Learning for Continual Training
von: Milasheuski, Usevalad, et al.
Veröffentlicht: (2025)

Gradient Inversion in Federated Reinforcement Learning
von: He, Shenghong
Veröffentlicht: (2025)

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

Federated Learning with Neural Graphical Models
von: Chajewska, Urszula, et al.
Veröffentlicht: (2023)

Federated Generative Learning with Foundation Models
von: Zhang, Jie, et al.
Veröffentlicht: (2023)