Buchumschlag

DP-EMAR: A Differentially Private Framework for Autonomous Model Weight Repair in Federated IoT Systems

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Kabgere, Chethana Prasad, S, Shylaja S
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Machine Learning Numerical Analysis
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

On the Geometric Coherence of Global Aggregation in Federated Graph Neural Networks
von: Kabgere, Chethana Prasad, et al.
Veröffentlicht: (2026)

Noise-Resilient Quantum Aggregation on NISQ for Federated ADAS Learning
von: Kabgere, Chethana Prasad, et al.
Veröffentlicht: (2025)

Visual Categorization Across Minds and Models: Cognitive Analysis of Human Labeling and Neuro-Symbolic Integration
von: Kabgere, Chethana Prasad
Veröffentlicht: (2025)

Unsupervised Surrogate-Assisted Synthesis of Free-Form Planar Antenna Topologies for IoT Applications
von: Askaripour, Khadijeh, et al.
Veröffentlicht: (2026)

Differentially Private Linear Bandits with Partial Distributed Feedback
von: Li, Fengjiao, et al.
Veröffentlicht: (2022)

Convergence Analysis of the Hessian Discretisation Method for Fourth Order Semi-linear Elliptic Equations with General Source
von: Shylaja, Devika
Veröffentlicht: (2026)

Variational (Energy-Based) Spectral Learning: A Machine Learning Framework for Solving Partial Differential Equations
von: Hammad, M. M.
Veröffentlicht: (2026)

A Gaussian Process Framework for Solving Forward and Inverse Problems Involving Nonlinear Partial Differential Equations
von: Mora, Carlos, et al.
Veröffentlicht: (2024)

Solving Partial Differential Equations with Random Feature Models
von: Liao, Chunyang
Veröffentlicht: (2024)

Fine-Tune Language Models as Multi-Modal Differential Equation Solvers
von: Yang, Liu, et al.
Veröffentlicht: (2023)

Spectral Analysis of the Weighted Frobenius Objective
von: Trifonov, Vladislav, et al.
Veröffentlicht: (2025)

Automatic Differentiation is Essential in Training Neural Networks for Solving Differential Equations
von: Chen, Chuqi, et al.
Veröffentlicht: (2024)

AE-ViT: Stable Long-Horizon Parametric Partial Differential Equations Modeling
von: Mikuš, Iva, et al.
Veröffentlicht: (2026)

An Orthogonal Polynomial Kernel-Based Machine Learning Model for Differential-Algebraic Equations
von: Taheri, Tayebeh, et al.
Veröffentlicht: (2024)

SLIPT for Underwater IoT: System Modeling and Performance Analysis
von: Shang, Shunyuan, et al.
Veröffentlicht: (2025)

Towards a Foundation Model for Partial Differential Equations: Multi-Operator Learning and Extrapolation
von: Sun, Jingmin, et al.
Veröffentlicht: (2024)

Weighted variation spaces and approximation by shallow ReLU networks
von: DeVore, Ronald, et al.
Veröffentlicht: (2023)

Convergence analysis of a nonconforming virtual element method for compressible miscible displacement problems in porous media
von: Kumar, Sarvesh, et al.
Veröffentlicht: (2024)

Nonconforming virtual element method for an incompressible miscible displacement problem in porous media
von: Kumar, Sarvesh, et al.
Veröffentlicht: (2024)

Scale-Consistent Learning for Partial Differential Equations
von: Li, Zongyi, et al.
Veröffentlicht: (2025)

A Probabilistic Framework for Solving High-Frequency Helmholtz Equations via Diffusion Models
von: Zou, Yicheng, et al.
Veröffentlicht: (2026)

Discrete Differential Principle for Continuous Smooth Function Representation
von: Wang, Guoyou, et al.
Veröffentlicht: (2025)

Efficient Differentiable Approximation of Generalized Low-rank Regularization
von: Li, Naiqi, et al.
Veröffentlicht: (2025)

FCNCP: A Coupled Nonnegative CANDECOMP/PARAFAC Decomposition Based on Federated Learning
von: Cai, Yukai, et al.
Veröffentlicht: (2024)

Power Transform Revisited: Numerically Stable, and Federated
von: Xu, Xuefeng, et al.
Veröffentlicht: (2025)

Pruning AMR: Efficient Visualization of Implicit Neural Representations via Weight Matrix Analysis
von: Zvonek, Jennifer, et al.
Veröffentlicht: (2025)

A Physics-Informed Machine Learning Approach for Solving Distributed Order Fractional Differential Equations
von: Aghaei, Alireza Afzal
Veröffentlicht: (2024)

Distributional Sensitivity Analysis: Enabling Differentiability in Sample-Based Inference
von: Chuang, Pi-Yueh, et al.
Veröffentlicht: (2025)

HAMLET: Graph Transformer Neural Operator for Partial Differential Equations
von: Bryutkin, Andrey, et al.
Veröffentlicht: (2024)

Physics-embedded Fourier Neural Network for Partial Differential Equations
von: Xu, Qingsong, et al.
Veröffentlicht: (2024)

Scalable Mechanistic Neural Networks for Differential Equations and Machine Learning
von: Chen, Jiale, et al.
Veröffentlicht: (2024)

Component Fourier Neural Operator for Singularly Perturbed Differential Equations
von: Li, Ye, et al.
Veröffentlicht: (2024)

Self-Supervised Learning with Lie Symmetries for Partial Differential Equations
von: Mialon, Grégoire, et al.
Veröffentlicht: (2023)

A Mean Field Ansatz for Zero-Shot Weight Transfer
von: Chen, Xingyuan, et al.
Veröffentlicht: (2024)

Weighted quantization using MMD: From mean field to mean shift via gradient flows
von: Belhadji, Ayoub, et al.
Veröffentlicht: (2025)

Convergence and Sketching-Based Efficient Computation of Neural Tangent Kernel Weights in Physics-Based Loss
von: Hirsch, Max, et al.
Veröffentlicht: (2025)

FBSJNN: A Theoretically Interpretable and Efficiently Deep Learning method for Solving Partial Integro-Differential Equations
von: Ye, Zaijun, et al.
Veröffentlicht: (2024)

Randomized Neural Networks for Partial Differential Equation on Static and Evolving Surfaces
von: Sun, Jingbo, et al.
Veröffentlicht: (2026)

Random Neural Network Expressivity for Non-Linear Partial Differential Equations
von: Mehmood, Muhammed Ali, et al.
Veröffentlicht: (2026)

Finite Expression Method for Solving High-Dimensional Partial Differential Equations
von: Liang, Senwei, et al.
Veröffentlicht: (2022)