Buchumschlag

FedMM-X: A Trustworthy and Interpretable Framework for Federated Multi-Modal Learning in Dynamic Environments

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
1. Verfasser:	Balija, Sree Bhargavi
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Machine Learning Artificial Intelligence
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

FedNAMs: Performing Interpretability Analysis in Federated Learning Context
von: Nanda, Amitash, et al.
Veröffentlicht: (2025)

Decoding Federated Learning: The FedNAM+ Conformal Revolution
von: Balija, Sree Bhargavi, et al.
Veröffentlicht: (2025)

GuardFed: A Trustworthy Federated Learning Framework Against Dual-Facet Attacks
von: Li, Yanli, et al.
Veröffentlicht: (2025)

CPTQuant - A Novel Mixed Precision Post-Training Quantization Techniques for Large Language Models
von: Nanda, Amitash, et al.
Veröffentlicht: (2024)

FedDRL: A Trustworthy Federated Learning Model Fusion Method Based on Staged Reinforcement Learning
von: Chen, Leiming, et al.
Veröffentlicht: (2023)

FedMM: Federated Multi-Modal Learning with Modality Heterogeneity in Computational Pathology
von: Peng, Yuanzhe, et al.
Veröffentlicht: (2024)

FedMobile: Enabling Knowledge Contribution-aware Multi-modal Federated Learning with Incomplete Modalities
von: Liu, Yi, et al.
Veröffentlicht: (2025)

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

Fed-EINI: An Efficient and Interpretable Inference Framework for Decision Tree Ensembles in Federated Learning
von: Chen, Xiaolin, et al.
Veröffentlicht: (2021)

FedRecon: Missing Modality Reconstruction in Heterogeneous Distributed Environments
von: Liu, Junming, et al.
Veröffentlicht: (2025)

Fed-SE: Federated Self-Evolution for Privacy-Constrained Multi-Environment LLM Agents
von: Chen, Xiang, et al.
Veröffentlicht: (2025)

FedMTFI: Feature Importance Based Optimized Multi Teacher Knowledge Distillation in Heterogeneous Federated Learning Environment
von: Shadin, Nazmus Shakib, et al.
Veröffentlicht: (2026)

FedDiff: Diffusion Model Driven Federated Learning for Multi-Modal and Multi-Clients
von: Li, DaiXun, et al.
Veröffentlicht: (2023)

A Meta-learning Framework for Tuning Parameters of Protection Mechanisms in Trustworthy Federated Learning
von: Zhang, Xiaojin, et al.
Veröffentlicht: (2023)

Online Decentralized Federated Multi-task Learning With Trustworthiness in Cyber-Physical Systems
von: Odeyomi, Olusola, et al.
Veröffentlicht: (2025)

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

FedProK: Trustworthy Federated Class-Incremental Learning via Prototypical Feature Knowledge Transfer
von: Gao, Xin, et al.
Veröffentlicht: (2024)

Progressive Size-Adaptive Federated Learning: A Comprehensive Framework for Heterogeneous Multi-Modal Data Systems
von: Hussain, Sajid, et al.
Veröffentlicht: (2025)

FedDis: A Causal Disentanglement Framework for Federated Traffic Prediction
von: Zhou, Chengyang, et al.
Veröffentlicht: (2026)

CEPerFed: Communication-Efficient Personalized Federated Learning for Multi-Pulse MRI Classification
von: Li, Ludi, et al.
Veröffentlicht: (2025)

An Accurate and Interpretable Framework for Trustworthy Process Monitoring
von: Wang, Hao, et al.
Veröffentlicht: (2023)

FedBWO: Enhancing Communication Efficiency in Federated Learning
von: Hayyolalam, Vahideh, et al.
Veröffentlicht: (2025)

FedEL: Federated Elastic Learning for Heterogeneous Devices
von: Zhang, Letian, et al.
Veröffentlicht: (2025)

FedMuon: Accelerating Federated Learning with Matrix Orthogonalization
von: Liu, Junkang, et al.
Veröffentlicht: (2025)

Fed-Credit: Robust Federated Learning with Credibility Management
von: Chen, Jiayan, et al.
Veröffentlicht: (2024)

FedEGG: Federated Learning with Explicit Global Guidance
von: Zhai, Kun, et al.
Veröffentlicht: (2024)

FedFiTS: Fitness-Selected, Slotted Client Scheduling for Trustworthy Federated Learning in Healthcare AI
von: Kahenga, Ferdinand, et al.
Veröffentlicht: (2025)

Multi-Modal Federated Learning for Cancer Staging over Non-IID Datasets with Unbalanced Modalities
von: Borazjani, Kasra, et al.
Veröffentlicht: (2024)

FedConv: A Learning-on-Model Paradigm for Heterogeneous Federated Clients
von: Shen, Leming, et al.
Veröffentlicht: (2025)

FedGRec: Dynamic Spatio-Temporal Federated Graph Learning for Secure and Efficient Cross-Border Recommendations
von: Tan, Zhizhong, et al.
Veröffentlicht: (2025)

FedPPA: Progressive Parameter Alignment for Personalized Federated Learning
von: Prasetia, Maulidi Adi, et al.
Veröffentlicht: (2025)

FedNSAM:Consistency of Local and Global Flatness for Federated Learning
von: Liu, Junkang, et al.
Veröffentlicht: (2026)

FedPSA: Modeling Behavioral Staleness in Asynchronous Federated Learning
von: Lu, Chaoyi, et al.
Veröffentlicht: (2026)

FedZMG: Efficient Client-Side Optimization in Federated Learning
von: Zantalis, Fotios, et al.
Veröffentlicht: (2026)

FedFixer: Mitigating Heterogeneous Label Noise in Federated Learning
von: Ji, Xinyuan, 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)

A Survey on Mechanistic Interpretability for Multi-Modal Foundation Models
von: Lin, Zihao, et al.
Veröffentlicht: (2025)

FedSA-GCL: A Semi-Asynchronous Federated Graph Learning Framework with Personalized Aggregation and Cluster-Aware Broadcasting
von: Yuan, Zhongzheng, et al.
Veröffentlicht: (2025)

Exploring the Efficacy of Federated-Continual Learning Nodes with Attention-Based Classifier for Robust Web Phishing Detection: An Empirical Investigation
von: M, Jesher Joshua, et al.
Veröffentlicht: (2024)

Faithful and Stable Neuron Explanations for Trustworthy Mechanistic Interpretability
von: Yan, Ge, et al.
Veröffentlicht: (2025)