Buchumschlag

FedRE: Robust and Effective Federated Learning with Privacy Preference

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Xiao, Tianzhe, Li, Yichen, Zhou, Yu, Qi, Yining, Liu, Yi, Wang, Wei, Wang, Haozhao, Wang, Yi, Li, Ruixuan
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Machine Learning Cryptography and Security
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

FedGIG: Graph Inversion from Gradient in Federated Learning
von: Xiao, Tianzhe, et al.
Veröffentlicht: (2024)

FedFDP: Fairness-Aware Federated Learning with Differential Privacy
von: Ling, Xinpeng, et al.
Veröffentlicht: (2024)

FedGMark: Certifiably Robust Watermarking for Federated Graph Learning
von: Yang, Yuxin, et al.
Veröffentlicht: (2024)

Efficient Byzantine-Robust and Provably Privacy-Preserving Federated Learning
von: Nie, Chenfei, et al.
Veröffentlicht: (2024)

FedCAPrivacy: Privacy-Preserving Heterogeneous Federated Learning with Anonymous Adaptive Clustering
von: Wei, Yunan, et al.
Veröffentlicht: (2025)

FedSGT: Exact Federated Unlearning via Sequential Group-based Training
von: Zhang, Bokang, et al.
Veröffentlicht: (2025)

PreCurious: How Innocent Pre-Trained Language Models Turn into Privacy Traps
von: Liu, Ruixuan, et al.
Veröffentlicht: (2024)

DarkFed: A Data-Free Backdoor Attack in Federated Learning
von: Li, Minghui, et al.
Veröffentlicht: (2024)

FedCAP: Robust Federated Learning via Customized Aggregation and Personalization
von: Li, Youpeng, et al.
Veröffentlicht: (2024)

Rehearsal-Free Continual Federated Learning with Synergistic Synaptic Intelligence
von: Li, Yichen, et al.
Veröffentlicht: (2024)

EnCAgg: Enhanced Clustering Aggregation for Robust Federated Learning against Dynamic Model Poisoning
von: Zhang, Tianyun, et al.
Veröffentlicht: (2026)

DP2Guard: A Lightweight and Byzantine-Robust Privacy-Preserving Federated Learning Scheme for Industrial IoT
von: Han, Baofu, et al.
Veröffentlicht: (2025)

The Security and Privacy of Mobile Edge Computing: An Artificial Intelligence Perspective
von: Wang, Cheng, et al.
Veröffentlicht: (2024)

FedGA: Federated Learning with Gradient Alignment for Error Asymmetry Mitigation
von: Xiao, Chenguang, et al.
Veröffentlicht: (2024)

FedP3: Federated Personalized and Privacy-friendly Network Pruning under Model Heterogeneity
von: Yi, Kai, et al.
Veröffentlicht: (2024)

Fed-AugMix: Balancing Privacy and Utility via Data Augmentation
von: Li, Haoyang, et al.
Veröffentlicht: (2024)

martFL: Enabling Utility-Driven Data Marketplace with a Robust and Verifiable Federated Learning Architecture
von: Li, Qi, et al.
Veröffentlicht: (2023)

FedAdOb: Privacy-Preserving Federated Deep Learning with Adaptive Obfuscation
von: Gu, Hanlin, et al.
Veröffentlicht: (2024)

Privacy-preserving Quantification of Non-IID Degree in Federated Learning
von: Yan, Yuping, et al.
Veröffentlicht: (2024)

Federated Transfer Learning with Differential Privacy
von: Li, Mengchu, et al.
Veröffentlicht: (2024)

HeteroFedSyn: Differentially Private Tabular Data Synthesis for Heterogeneous Federated Settings
von: Li, Xiaochen, et al.
Veröffentlicht: (2026)

Social-Aware Clustered Federated Learning with Customized Privacy Preservation
von: Wang, Yuntao, et al.
Veröffentlicht: (2022)

FewFedPIT: Towards Privacy-preserving and Few-shot Federated Instruction Tuning
von: Zhang, Zhuo, et al.
Veröffentlicht: (2024)

On Evaluating the Poisoning Robustness of Federated Learning under Local Differential Privacy
von: Wang, Zijian, et al.
Veröffentlicht: (2025)

Position Paper: Assessing Robustness, Privacy, and Fairness in Federated Learning Integrated with Foundation Models
von: Wang, Jiaqi, et al.
Veröffentlicht: (2024)

Voltran: Unlocking Trust and Confidentiality in Decentralized Federated Learning Aggregation
von: Wang, Hao, et al.
Veröffentlicht: (2024)

Hidden Data Privacy Breaches in Federated Learning
von: Gong, Xueluan, et al.
Veröffentlicht: (2024)

FedSSP: Federated Graph Learning with Spectral Knowledge and Personalized Preference
von: Tan, Zihan, et al.
Veröffentlicht: (2024)

FedMUA: Exploring the Vulnerabilities of Federated Learning to Malicious Unlearning Attacks
von: Chen, Jian, et al.
Veröffentlicht: (2025)

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

PrismWF: A Multi-Granularity Patch-Based Transformer for Robust Website Fingerprinting Attack
von: Pan, Yuhao, et al.
Veröffentlicht: (2026)

Federated Graph Learning for EV Charging Demand Forecasting with Personalization Against Cyberattacks
von: Li, Yi, et al.
Veröffentlicht: (2024)

Enabling Privacy-Preserving Cyber Threat Detection with Federated Learning
von: Bi, Yu, et al.
Veröffentlicht: (2024)

DP-FedLoRA: Privacy-Enhanced Federated Fine-Tuning for On-Device Large Language Models
von: Xu, Honghui, et al.
Veröffentlicht: (2025)

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

PriRoAgg: Achieving Robust Model Aggregation with Minimum Privacy Leakage for Federated Learning
von: Hou, Sizai, et al.
Veröffentlicht: (2024)

Network-Aware Differential Privacy
von: Li, Zhou, et al.
Veröffentlicht: (2025)

Convergent Privacy Framework for Multi-layer GNNs through Contractive Message Passing
von: Zheng, Yu, 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)

Unraveling the Connections between Privacy and Certified Robustness in Federated Learning Against Poisoning Attacks
von: Xie, Chulin, et al.
Veröffentlicht: (2022)