Buchumschlag

Federated Learning with Enhanced Privacy via Model Splitting and Random Client Participation

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Li, Yiwei, Wang, Shuai, Tian, Zhuojun, Wang, Xiuhua, Su, Shijian
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Advocating for the Silent: Enhancing Federated Generalization for Non-Participating Clients
von: Wu, Zheshun, et al.
Veröffentlicht: (2023)

Balancing Client Participation in Federated Learning Using AoI
von: Javani, Alireza, et al.
Veröffentlicht: (2025)

Towards Privacy-Preserving and Heterogeneity-aware Split Federated Learning via Probabilistic Masking
von: Wang, Xingchen, et al.
Veröffentlicht: (2025)

Privacy-preserving Federated Primal-dual Learning for Non-convex and Non-smooth Problems with Model Sparsification
von: Li, Yiwei, et al.
Veröffentlicht: (2023)

Enhancing Model Privacy in Federated Learning with Random Masking and Quantization
von: Xu, Zhibo, et al.
Veröffentlicht: (2025)

Debiasing Federated Learning with Correlated Client Participation
von: Sun, Zhenyu, et al.
Veröffentlicht: (2024)

Enabling Weak Client Participation via On-device Knowledge Distillation in Heterogeneous Federated Learning
von: Lim, Jihyun, et al.
Veröffentlicht: (2025)

Optimal Strategies for Federated Learning Maintaining Client Privacy
von: Bhaskar, Uday, et al.
Veröffentlicht: (2025)

A Unified Analysis of Federated Learning with Arbitrary Client Participation
von: Wang, Shiqiang, et al.
Veröffentlicht: (2022)

Embracing Federated Learning: Enabling Weak Client Participation via Partial Model Training
von: Lee, Sunwoo, et al.
Veröffentlicht: (2024)

Communication-Efficient Personalized Distributed Learning with Data and Node Heterogeneity
von: Tian, Zhuojun, et al.
Veröffentlicht: (2025)

FilFL: Client Filtering for Optimized Client Participation in Federated Learning
von: Fourati, Fares, et al.
Veröffentlicht: (2023)

Towards Seamless Hierarchical Federated Learning under Intermittent Client Participation: A Stagewise Decision-Making Methodology
von: Wu, Minghong, et al.
Veröffentlicht: (2025)

Optimal Client Sampling in Federated Learning with Client-Level Heterogeneous Differential Privacy
von: Xu, Jiahao, et al.
Veröffentlicht: (2025)

FedDPC : Handling Data Heterogeneity and Partial Client Participation in Federated Learning
von: Sen, Mrinmay, et al.
Veröffentlicht: (2025)

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

The Power of Bias: Optimizing Client Selection in Federated Learning with Heterogeneous Differential Privacy
von: Ma, Jiating, et al.
Veröffentlicht: (2024)

Rethinking Client-oriented Federated Graph Learning
von: Chen, Zekai, et al.
Veröffentlicht: (2025)

Harnessing Increased Client Participation with Cohort-Parallel Federated Learning
von: Dhasade, Akash, et al.
Veröffentlicht: (2024)

Client Contribution Normalization for Enhanced Federated Learning
von: Kundalwal, Mayank Kumar, et al.
Veröffentlicht: (2024)

Exact and Linear Convergence for Federated Learning under Arbitrary Client Participation is Attainable
von: Ying, Bicheng, et al.
Veröffentlicht: (2025)

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

Emulating Full Participation: An Effective and Fair Client Selection Strategy for Federated Learning
von: Li, Qingming, et al.
Veröffentlicht: (2024)

Cumulative Utility Parity for Fair Federated Learning under Intermittent Client Participation
von: Behfar, Stefan, et al.
Veröffentlicht: (2026)

Federated Learning with Extremely Noisy Clients via Negative Distillation
von: Lu, Yang, et al.
Veröffentlicht: (2023)

HO-SFL: Hybrid-Order Split Federated Learning with Backprop-Free Clients and Dimension-Free Aggregation
von: Chen, Qiyuan, et al.
Veröffentlicht: (2026)

Understanding Server-Assisted Federated Learning in the Presence of Incomplete Client Participation
von: Yang, Haibo, et al.
Veröffentlicht: (2024)

Mitigating Privacy-Utility Trade-off in Decentralized Federated Learning via $f$-Differential Privacy
von: Li, Xiang, et al.
Veröffentlicht: (2025)

Breaking the Memory Wall for Heterogeneous Federated Learning via Model Splitting
von: Tian, Chunlin, et al.
Veröffentlicht: (2024)

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

Enhancing Federated Learning Privacy with QUBO
von: Ferenczi, Andras, et al.
Veröffentlicht: (2025)

Adaptive Client Sampling in Federated Learning via Online Learning with Bandit Feedback
von: Zhao, Boxin, et al.
Veröffentlicht: (2021)

Client2Vec: Improving Federated Learning by Distribution Shifts Aware Client Indexing
von: Guo, Yongxin, et al.
Veröffentlicht: (2024)

FedSUM Family: Efficient Federated Learning Methods under Arbitrary Client Participation
von: You, Runze, et al.
Veröffentlicht: (2025)

Privacy-Preserving Federated Learning via Dataset Distillation
von: Xu, ShiMao, et al.
Veröffentlicht: (2024)

Overcoming Challenges of Partial Client Participation in Federated Learning : A Comprehensive Review
von: Sen, Mrinmay, et al.
Veröffentlicht: (2025)

Learning Unlabeled Clients Divergence for Federated Semi-Supervised Learning via Anchor Model Aggregation
von: Elbatel, Marawan, et al.
Veröffentlicht: (2024)

GC-Fed: Gradient Centralized Federated Learning with Partial Client Participation
von: Seo, Jungwon, et al.
Veröffentlicht: (2025)

Towards a Larger Model via One-Shot Federated Learning on Heterogeneous Client Models
von: Ye, Wenxuan, et al.
Veröffentlicht: (2025)

Federated Graph Learning with Graphless Clients
von: Fu, Xingbo, et al.
Veröffentlicht: (2024)