:: Library Catalog

Buchumschlag

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Takakura, Shokichi, Liew, Seng Pei, Hasegawa, Satoshi
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Machine Learning
Online-Zugang:	https://arxiv.org/abs/2505.11126
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Accelerating Differentially Private Federated Learning via Adaptive Extrapolation
von: Takakura, Shokichi, et al.
Veröffentlicht: (2025)

Differentially Private Sampling from Distributions via Wasserstein Projection
von: Takakura, Shokichi, et al.
Veröffentlicht: (2026)

Optimal Variance and Covariance Estimation under Differential Privacy in the Add-Remove Model and Beyond
von: Takakura, Shokichi, et al.
Veröffentlicht: (2025)

DPSQL+: A Differentially Private SQL Library with a Minimum Frequency Rule
von: Matsumoto, Tomoya, et al.
Veröffentlicht: (2026)

Mean-field Analysis on Two-layer Neural Networks from a Kernel Perspective
von: Takakura, Shokichi, et al.
Veröffentlicht: (2024)

Approximation and Estimation Ability of Transformers for Sequence-to-Sequence Functions with Infinite Dimensional Input
von: Takakura, Shokichi, et al.
Veröffentlicht: (2023)

A Relative-Budget Theory for Reinforcement Learning with Verifiable Rewards in Large Language Model Reasoning
von: Wachi, Akifumi, et al.
Veröffentlicht: (2026)

How Neural Reward Models Learn Features for Policy Optimization: A Single-Index Analysis
von: Higuchi, Rei, et al.
Veröffentlicht: (2026)

Inference-Aware Meta-Alignment of LLMs via Non-Linear GRPO
von: Takakura, Shokichi, et al.
Veröffentlicht: (2026)

Shuffling-Aware Optimization for Private Vector Mean Estimation
von: Takagi, Shun, et al.
Veröffentlicht: (2026)

Reusing Overtrained Language Models Saturates Scaling
von: Liew, Seng Pei, et al.
Veröffentlicht: (2025)

Analysis of Shuffling Beyond Pure Local Differential Privacy
von: Takagi, Shun, et al.
Veröffentlicht: (2026)

Scaling Laws for Upcycling Mixture-of-Experts Language Models
von: Liew, Seng Pei, et al.
Veröffentlicht: (2025)

Towards Principled Design of Mixture-of-Experts Language Models under Memory and Inference Constraints
von: Liew, Seng Pei, et al.
Veröffentlicht: (2026)

Securing Private Federated Learning in a Malicious Setting: A Scalable TEE-Based Approach with Client Auditing
von: Takagi, Shun, et al.
Veröffentlicht: (2025)

Doubly Adaptive Social Learning
von: Carpentiero, Marco, et al.
Veröffentlicht: (2025)

SparsyFed: Sparse Adaptive Federated Training
von: Guastella, Adriano, et al.
Veröffentlicht: (2025)

FedLWS: Federated Learning with Adaptive Layer-wise Weight Shrinking
von: Shi, Changlong, et al.
Veröffentlicht: (2025)

FedX: Adaptive Model Decomposition and Quantization for IoT Federated Learning
von: Lai, Phung, et al.
Veröffentlicht: (2025)

FedAgg: Adaptive Federated Learning with Aggregated Gradients
von: Yuan, Wenhao, et al.
Veröffentlicht: (2023)

FedPAE: Peer-Adaptive Ensemble Learning for Asynchronous and Model-Heterogeneous Federated Learning
von: Mueller, Brianna, et al.
Veröffentlicht: (2024)

FedPrism: Adaptive Personalized Federated Learning under Non-IID Data
von: Kumbhakar, Prakash, et al.
Veröffentlicht: (2026)

FedSVD: Adaptive Orthogonalization for Private Federated Learning with LoRA
von: Lee, Seanie, et al.
Veröffentlicht: (2025)

FedFetch: Faster Federated Learning with Adaptive Downstream Prefetching
von: Yan, Qifan, et al.
Veröffentlicht: (2025)

FedAWA: Adaptive Optimization of Aggregation Weights in Federated Learning Using Client Vectors
von: Shi, Changlong, et al.
Veröffentlicht: (2025)

FedLF: Adaptive Logit Adjustment and Feature Optimization in Federated Long-Tailed Learning
von: Lu, Xiuhua, et al.
Veröffentlicht: (2024)

Fed-ADE: Adaptive Learning Rate for Federated Post-adaptation under Distribution Shift
von: Park, Heewon, et al.
Veröffentlicht: (2026)

AdaFed: Fair Federated Learning via Adaptive Common Descent Direction
von: Hamidi, Shayan Mohajer, et al.
Veröffentlicht: (2024)

FedSparQ: Adaptive Sparse Quantization with Error Feedback for Robust & Efficient Federated Learning
von: Medjadji, Chaimaa, et al.
Veröffentlicht: (2025)

FedLAM: Low-latency Wireless Federated Learning via Layer-wise Adaptive Modulation
von: Qu, Linping, et al.
Veröffentlicht: (2025)

pFedAFM: Adaptive Feature Mixture for Batch-Level Personalization in Heterogeneous Federated Learning
von: Yi, Liping, et al.
Veröffentlicht: (2024)

FedHide: Federated Learning by Hiding in the Neighbors
von: Park, Hyunsin, et al.
Veröffentlicht: (2024)

FedLion: Faster Adaptive Federated Optimization with Fewer Communication
von: Tang, Zhiwei, et al.
Veröffentlicht: (2024)

FedSAE: A Novel Self-Adaptive Federated Learning Framework in Heterogeneous Systems
von: Li, Li, et al.
Veröffentlicht: (2021)

FedAuxHMTL: Federated Auxiliary Hard-Parameter Sharing Multi-Task Learning for Network Edge Traffic Classification
von: Ahmed, Faisal, et al.
Veröffentlicht: (2024)

FedGES: A Federated Learning Approach for BN Structure Learning
von: Torrijos, Pablo, et al.
Veröffentlicht: (2025)

FedCAda: Adaptive Client-Side Optimization for Accelerated and Stable Federated Learning
von: Zhou, Liuzhi, et al.
Veröffentlicht: (2024)

FedAC: An Adaptive Clustered Federated Learning Framework for Heterogeneous Data
von: Zhang, Yuxin, et al.
Veröffentlicht: (2024)

FedHQ: Hybrid Runtime Quantization for Federated Learning
von: Zheng, Zihao, et al.
Veröffentlicht: (2025)

FedIN: Federated Intermediate Layers Learning for Model Heterogeneity
von: Chan, Yun-Hin, et al.
Veröffentlicht: (2023)