Buchumschlag

FedEM: A Privacy-Preserving Framework for Concurrent Utility Preservation in Federated Learning

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Xu, Mingcong, Zhang, Xiaojin, Chen, Wei, Jin, Hai
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

A Unified Learn-to-Distort-Data Framework for Privacy-Utility Trade-off in Trustworthy Federated Learning
von: Zhang, Xiaojin, 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)

FedEAT: A Robustness Optimization Framework for Federated LLMs
von: Pang, Yahao, et al.
Veröffentlicht: (2025)

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

FedTDP: A Privacy-Preserving and Unified Framework for Trajectory Data Preparation via Federated Learning
von: Zeng, Zhihao, et al.
Veröffentlicht: (2025)

FedSAF: A Federated Learning Framework for Enhanced Gastric Cancer Detection and Privacy Preservation
von: Miao, Yuxin, et al.
Veröffentlicht: (2025)

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

A Framework for Evaluating Privacy-Utility Trade-off in Vertical Federated Learning
von: Kang, Yan, et al.
Veröffentlicht: (2022)

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

FedML-HE: An Efficient Homomorphic-Encryption-Based Privacy-Preserving Federated Learning System
von: Jin, Weizhao, 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 Federated Learning via Dataset Distillation
von: Xu, ShiMao, et al.
Veröffentlicht: (2024)

A Privacy-Preserving Framework for Advertising Personalization Incorporating Federated Learning and Differential Privacy
von: Li, Xiang, et al.
Veröffentlicht: (2025)

Theoretical Analysis of Privacy Leakage in Trustworthy Federated Learning: A Perspective from Linear Algebra and Optimization Theory
von: Zhang, Xiaojin, et al.
Veröffentlicht: (2024)

PQFed: A Privacy-Preserving Quality-Controlled Federated Learning Framework
von: Yue, Weiqi, et al.
Veröffentlicht: (2025)

FedMPDD: Communication-Efficient Federated Learning with Privacy Preservation Attributes via Projected Directional Derivative
von: Rostami, Mohammadreza, et al.
Veröffentlicht: (2025)

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

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

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

FedLLM: A Privacy-Preserving Federated Large Language Model for Explainable Traffic Flow Prediction
von: Kaur, Seerat, et al.
Veröffentlicht: (2026)

Privacy-Preserving Heterogeneous Federated Learning for Sensitive Healthcare Data
von: Xu, Yukai, et al.
Veröffentlicht: (2024)

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

Bridging Privacy and Robustness for Trustworthy Machine Learning
von: Zhang, Xiaojin, et al.
Veröffentlicht: (2024)

FedGAT: A Privacy-Preserving Federated Approximation Algorithm for Graph Attention Networks
von: Ambekar, Siddharth, et al.
Veröffentlicht: (2024)

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

Preserving Privacy and Utility in LLM-Based Product Recommendations
von: Khezresmaeilzadeh, Tina, et al.
Veröffentlicht: (2025)

FedMeNF: Privacy-Preserving Federated Meta-Learning for Neural Fields
von: Yun, Junhyeog, et al.
Veröffentlicht: (2025)

Rethinking LoRA for Privacy-Preserving Federated Learning in Large Models
von: Liu, Jin, et al.
Veröffentlicht: (2026)

FedFG: Privacy-Preserving and Robust Federated Learning via Flow-Matching Generation
von: Wang, Ruiyang, et al.
Veröffentlicht: (2026)

Privacy-Preserving Orthogonal Aggregation for Guaranteeing Gender Fairness in Federated Recommendation
von: Zhang, Siqing, et al.
Veröffentlicht: (2024)

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

Improving Privacy-Preserving Vertical Federated Learning by Efficient Communication with ADMM
von: Xie, Chulin, et al.
Veröffentlicht: (2022)

Federated Continual Learning for Privacy-Preserving Hospital Imaging Classification
von: Sinhal, Anay, et al.
Veröffentlicht: (2026)

Privacy-Preserving Federated Learning Framework for Distributed Chemical Process Optimization
von: Pipattaratonchai, Teetat, et al.
Veröffentlicht: (2026)

Privacy-Preserving Quantized Federated Learning with Diverse Precision
von: Nguyen, Dang Qua, et al.
Veröffentlicht: (2025)

Provably Communication-Efficient and Privacy-Preserving Federated Graph Neural Networks
von: Guo, Zhishuai, et al.
Veröffentlicht: (2026)

Federated Learning: A Survey on Privacy-Preserving Collaborative Intelligence
von: Rahman, Ratun
Veröffentlicht: (2025)

FedSDAF: Leveraging Source Domain Awareness for Enhanced Federated Domain Generalization
von: Li, Hongze, et al.
Veröffentlicht: (2025)

Privacy-Preserving Federated Learning via Homomorphic Adversarial Networks
von: Dong, Wenhan, et al.
Veröffentlicht: (2024)

Adaptive Selection of LoRA Components in Privacy-Preserving Federated Learning
von: Kim, Myoungjun, et al.
Veröffentlicht: (2026)