Buchumschlag

Optimal Client Sampling in Federated Learning with Client-Level Heterogeneous Differential Privacy

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Xu, Jiahao, Hu, Rui, Kotevska, Olivera
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Cryptography and Security Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Traceable Black-box Watermarks for Federated Learning
von: Xu, Jiahao, et al.
Veröffentlicht: (2025)

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

Differential Privacy Personalized Federated Learning Based on Dynamically Sparsified Client Updates
von: Wang, Chuanyin, et al.
Veröffentlicht: (2025)

Federated Learning With Individualized Privacy Through Client Sampling
von: Lange, Lucas, et al.
Veröffentlicht: (2025)

Metric Privacy in Federated Learning for Medical Imaging: Improving Convergence and Preventing Client Inference Attacks
von: Díaz, Judith Sáinz-Pardo, et al.
Veröffentlicht: (2025)

Unveiling Client Privacy Leakage from Public Dataset Usage in Federated Distillation
von: Shi, Haonan, et al.
Veröffentlicht: (2025)

Clients Collaborate: Flexible Differentially Private Federated Learning with Guaranteed Improvement of Utility-Privacy Trade-off
von: Li, Yuecheng, et al.
Veröffentlicht: (2024)

Automated Membership Inference Attacks: Discovering MIA Signal Computations using LLM Agents
von: Tran, Toan, et al.
Veröffentlicht: (2026)

Federated Learning Clients Clustering with Adaptation to Data Drifts
von: Li, Minghao, et al.
Veröffentlicht: (2024)

SLVR: Securely Leveraging Client Validation for Robust Federated Learning
von: Choi, Jihye, et al.
Veröffentlicht: (2025)

The More is not the Merrier: Investigating the Effect of Client Size on Federated Learning
von: Wallach, Eleanor, et al.
Veröffentlicht: (2025)

Fine-Tuning Personalization in Federated Learning to Mitigate Adversarial Clients
von: Allouah, Youssef, et al.
Veröffentlicht: (2024)

Fake or Compromised? Making Sense of Malicious Clients in Federated Learning
von: Mozaffari, Hamid, et al.
Veröffentlicht: (2024)

Constructing Adversarial Examples for Vertical Federated Learning: Optimal Client Corruption through Multi-Armed Bandit
von: Yao, Duanyi, et al.
Veröffentlicht: (2024)

FLClear: Visually Verifiable Multi-Client Watermarking for Federated Learning
von: Gu, Chen, et al.
Veröffentlicht: (2025)

On the Out-of-Distribution Backdoor Attack for Federated Learning
von: Xu, Jiahao, et al.
Veröffentlicht: (2025)

How to Forget Clients in Federated Online Learning to Rank?
von: Wang, Shuyi, et al.
Veröffentlicht: (2024)

History-Aware and Dynamic Client Contribution in Federated Learning
von: Ghosh, Bishwamittra, et al.
Veröffentlicht: (2024)

Whispers of Data: Unveiling Label Distributions in Federated Learning Through Virtual Client Simulation
von: Ma, Zhixuan, et al.
Veröffentlicht: (2025)

Local Differential Privacy is Not Enough: A Sample Reconstruction Attack against Federated Learning with Local Differential Privacy
von: You, Zhichao, et al.
Veröffentlicht: (2025)

Anomalous Client Detection in Federated Learning
von: Thakur, Dipanwita, et al.
Veröffentlicht: (2024)

Client-Side Patching against Backdoor Attacks in Federated Learning
von: Molina-Coronado, Borja
Veröffentlicht: (2024)

AdRo-FL: Informed and Secure Client Selection for Federated Learning in the Presence of Adversarial Aggregator
von: Hossain, Md. Kamrul, et al.
Veröffentlicht: (2025)

Majority Bit-Aware Watermarking For Large Language Models
von: Xu, Jiahao, et al.
Veröffentlicht: (2025)

BACSA: A Bias-Aware Client Selection Algorithm for Privacy-Preserving Federated Learning in Wireless Healthcare Networks
von: Yadav, Sushilkumar, et al.
Veröffentlicht: (2024)

ULDP-FL: Federated Learning with Across Silo User-Level Differential Privacy
von: Kato, Fumiyuki, et al.
Veröffentlicht: (2023)

Local Differential Privacy for Federated Learning with Fixed Memory Usage and Per-Client Privacy
von: Behnia, Rouzbeh, et al.
Veröffentlicht: (2025)

Toward Malicious Clients Detection in Federated Learning
von: Dou, Zhihao, et al.
Veröffentlicht: (2025)

OmniFed: A Modular Framework for Configurable Federated Learning from Edge to HPC
von: Tyagi, Sahil, et al.
Veröffentlicht: (2025)

Remote Rowhammer Attack using Adversarial Observations on Federated Learning Clients
von: Yuan, Jinsheng, et al.
Veröffentlicht: (2025)

FedGT: Identification of Malicious Clients in Federated Learning with Secure Aggregation
von: Xhemrishi, Marvin, et al.
Veröffentlicht: (2023)

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

FL-PLAS: Federated Learning with Partial Layer Aggregation for Backdoor Defense Against High-Ratio Malicious Clients
von: Zhang, Jianyi, et al.
Veröffentlicht: (2025)

Local Data Quantity-Aware Weighted Averaging for Federated Learning with Dishonest Clients
von: Wu, Leming, et al.
Veröffentlicht: (2025)

C2A: Client-Customized Adaptation for Parameter-Efficient Federated Learning
von: Kim, Yeachan, et al.
Veröffentlicht: (2024)

FedSiKD: Clients Similarity and Knowledge Distillation: Addressing Non-i.i.d. and Constraints in Federated Learning
von: Alsenani, Yousef, et al.
Veröffentlicht: (2024)

Client Clustering Meets Knowledge Sharing: Enhancing Privacy and Robustness in Personalized Peer-to-Peer Learning
von: Maheri, Mohammad Mahdi, et al.
Veröffentlicht: (2025)

XMark: Reliable Multi-Bit Watermarking for LLM-Generated Texts
von: Xu, Jiahao, et al.
Veröffentlicht: (2026)

Convergent Differential Privacy Analysis for General Federated Learning
von: Sun, Yan, et al.
Veröffentlicht: (2024)

Random Client Selection on Contrastive Federated Learning for Tabular Data
von: Ginanjar, Achmad, et al.
Veröffentlicht: (2025)