Buchumschlag

Federated One-Shot Learning with Data Privacy and Objective-Hiding

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Egger, Maximilian, Urbanke, Rüdiger, Bitar, Rawad
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Cryptography and Security Distributed, Parallel, and Cluster Computing Information Theory Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Byzantine-Resilient Secure Aggregation for Federated Learning Without Privacy Compromises
von: Xia, Yue, et al.
Veröffentlicht: (2024)

LoByITFL: Low Communication Secure and Private Federated Learning
von: Xia, Yue, et al.
Veröffentlicht: (2024)

Source Anonymity for Private Random Walk Decentralized Learning
von: Egger, Maximilian, et al.
Veröffentlicht: (2025)

Byzantine-Resilient Zero-Order Optimization for Communication-Efficient Heterogeneous Federated Learning
von: Egger, Maximilian, et al.
Veröffentlicht: (2025)

Private Aggregation for Byzantine-Resilient Heterogeneous Federated Learning
von: Egger, Maximilian, et al.
Veröffentlicht: (2025)

Private Aggregation in Hierarchical Wireless Federated Learning with Partial and Full Collusion
von: Egger, Maximilian, et al.
Veröffentlicht: (2023)

Perfect Privacy for Discriminator-Based Byzantine-Resilient Federated Learning
von: Xia, Yue, et al.
Veröffentlicht: (2025)

Scalable and Reliable Over-the-Air Federated Edge Learning
von: Egger, Maximilian, et al.
Veröffentlicht: (2024)

BICompFL: Stochastic Federated Learning with Bi-Directional Compression
von: Egger, Maximilian, et al.
Veröffentlicht: (2025)

Approximate Gradient Coding for Privacy-Flexible Federated Learning with Non-IID Data
von: Makkonen, Okko, et al.
Veröffentlicht: (2024)

Beyond Trade-offs: A Unified Framework for Privacy, Robustness, and Communication Efficiency in Federated Learning
von: Xia, Yue, et al.
Veröffentlicht: (2025)

Differentially Private Secure Multiplication: Hiding Information in the Rubble of Noise
von: Cadambe, Viveck R., et al.
Veröffentlicht: (2023)

WW-FL: Secure and Private Large-Scale Federated Learning
von: Marx, Felix, et al.
Veröffentlicht: (2023)

Self-Regulating Random Walks for Resilient Decentralized Learning on Graphs
von: Egger, Maximilian, et al.
Veröffentlicht: (2024)

Privacy-aware Berrut Approximated Coded Computing applied to general distributed learning
von: Martínez-Luaña, Xavier, et al.
Veröffentlicht: (2025)

ByzSecAgg: A Byzantine-Resistant Secure Aggregation Scheme for Federated Learning Based on Coded Computing and Vector Commitment
von: Jahani-Nezhad, Tayyebeh, et al.
Veröffentlicht: (2023)

No Vandalism: Privacy-Preserving and Byzantine-Robust Federated Learning
von: Xing, Zhibo, et al.
Veröffentlicht: (2024)

Improving LoRA in Privacy-preserving Federated Learning
von: Sun, Youbang, et al.
Veröffentlicht: (2024)

FLea: Addressing Data Scarcity and Label Skew in Federated Learning via Privacy-preserving Feature Augmentation
von: Xia, Tong, et al.
Veröffentlicht: (2023)

SEDULity: A Proof-of-Learning Framework for Distributed and Secure Blockchains with Efficient Useful Work
von: Cao, Weihang, et al.
Veröffentlicht: (2025)

Adaptive Verifiable Coded Computing: Towards Fast, Secure and Private Distributed Machine Learning
von: Tang, Tingting, et al.
Veröffentlicht: (2021)

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

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

Share Secrets for Privacy: Confidential Forecasting with Vertical Federated Learning
von: Shankar, Aditya, et al.
Veröffentlicht: (2024)

Privacy Preserving Machine Learning Model Personalization through Federated Personalized Learning
von: Hosain, Md. Tanzib, et al.
Veröffentlicht: (2025)

FedPDD: A Privacy-preserving Double Distillation Framework for Cross-silo Federated Recommendation
von: Wan, Sheng, et al.
Veröffentlicht: (2023)

Adaptive Differential Privacy in Federated Learning: A Priority-Based Approach
von: Talaei, Mahtab, et al.
Veröffentlicht: (2024)

Enhancing Federated Learning with Adaptive Differential Privacy and Priority-Based Aggregation
von: Talaei, Mahtab, et al.
Veröffentlicht: (2024)

The Effect of Quantization in Federated Learning: A Rényi Differential Privacy Perspective
von: Kang, Tianqu, et al.
Veröffentlicht: (2024)

Brave: Byzantine-Resilient and Privacy-Preserving Peer-to-Peer Federated Learning
von: Xu, Zhangchen, et al.
Veröffentlicht: (2024)

Detect \& Score: Privacy-Preserving Misbehaviour Detection and Contribution Evaluation in Federated Learning
von: Xhemrishi, Marvin, et al.
Veröffentlicht: (2025)

A Lightweight Federated Learning Approach for Privacy-Preserving Botnet Detection in IoT
von: Mahmoud, Taha M., et al.
Veröffentlicht: (2025)

Linkage on Security, Privacy and Fairness in Federated Learning: New Balances and New Perspectives
von: Wang, Linlin, et al.
Veröffentlicht: (2024)

DPBalance: Efficient and Fair Privacy Budget Scheduling for Federated Learning as a Service
von: Liu, Yu, et al.
Veröffentlicht: (2024)

IntraShuffler: A Privacy Preserving Framework for Heterogeneous DP Federated Learning
von: Riya, Farhin Farhad, et al.
Veröffentlicht: (2026)

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

Hierarchical Secure Aggregation with Heterogeneous Security Constraints and Arbitrary User Collusion
von: Li, Zhou, et al.
Veröffentlicht: (2025)

Information-Theoretic Decentralized Secure Aggregation with Passive Collusion Resilience
von: Zhang, Xiang, et al.
Veröffentlicht: (2025)

Domain Borders Are There to Be Crossed With Federated Few-Shot Adaptation
von: Röder, Manuel, et al.
Veröffentlicht: (2025)

zkFL-Health: Blockchain-Enabled Zero-Knowledge Federated Learning for Medical AI Privacy
von: Sharma, Savvy, et al.
Veröffentlicht: (2025)