Buchumschlag

Modulated learning for private and distributed regression with just a single sample per client device

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Vepakomma, Praneeth, Reisizadeh, Amirhossein, Horváth, Samuel, Dahleh, Munther A.
Format:	Preprint
Veröffentlicht:	2026
Schlagworte:	Machine Learning Cryptography and Security
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Combinatorial Privacy: Private Multi-Party Bitstream Grand Sum by Hiding in Birkhoff Polytopes
von: Vepakomma, Praneeth
Veröffentlicht: (2026)

Power Mechanism: Private Tabular Representation Release for Model Agnostic Consumption
von: Vepakomma, Praneeth, et al.
Veröffentlicht: (2025)

Near-Optimal differentially private low-rank trace regression with guaranteed private initialization
von: Zha, Mengyue
Veröffentlicht: (2024)

Differentially private Bayesian tests
von: Chakraborty, Abhisek, et al.
Veröffentlicht: (2024)

Collaborative Heterogeneous Causal Inference Beyond Meta-analysis
von: Guo, Tianyu, et al.
Veröffentlicht: (2024)

A Differentially Private Kaplan-Meier Estimator for Privacy-Preserving Survival Analysis
von: Veeraragavan, Narasimha Raghavan, et al.
Veröffentlicht: (2024)

VoxGuard: Evaluating User and Attribute Privacy in Speech via Membership Inference Attacks
von: Tsaprazlis, Efthymios, et al.
Veröffentlicht: (2025)

Accurate, private, secure, federated U-statistics with higher degree
von: Sinh, Quentin, et al.
Veröffentlicht: (2026)

Harnessing large-language models to generate private synthetic text
von: Kurakin, Alexey, et al.
Veröffentlicht: (2023)

Adaptive Meta-learning-based Adversarial Training for Robust Automatic Modulation Classification
von: Bamdad, Amirmohammad, et al.
Veröffentlicht: (2025)

Resampling methods for private statistical inference
von: Chadha, Karan, et al.
Veröffentlicht: (2024)

CNN architecture extraction on edge GPU
von: Horvath, Peter, et al.
Veröffentlicht: (2024)

Lightweight Strategy for XOR PUFs as Security Primitives for Resource-constrained IoT device
von: Li, Gaoxiang, et al.
Veröffentlicht: (2022)

Data value estimation on private gradients
von: Zhou, Zijian, et al.
Veröffentlicht: (2024)

LIA: Privacy-Preserving Data Quality Evaluation in Federated Learning Using a Lazy Influence Approximation
von: Rokvic, Ljubomir, et al.
Veröffentlicht: (2022)

Non-omniscient backdoor injection with one poison sample: Proving the one-poison hypothesis for linear regression, linear classification, and 2-layer ReLU neural networks
von: Peinemann, Thorsten, et al.
Veröffentlicht: (2025)

Differentially private and decentralized randomized power method
von: Nicolas, Julien, et al.
Veröffentlicht: (2024)

Training generative models from privatized data
von: Reshetova, Daria, et al.
Veröffentlicht: (2023)

LFFR: Logistic Function For (single-output) Regression
von: Chiang, John
Veröffentlicht: (2024)

FRIDA: Free-Rider Detection using Privacy Attacks
von: Recasens, Pol G., et al.
Veröffentlicht: (2024)

The importance of feature preprocessing for differentially private linear optimization
von: Sun, Ziteng, et al.
Veröffentlicht: (2023)

Privacy-Preserving Split Learning with Vision Transformers using Patch-Wise Random and Noisy CutMix
von: Oh, Seungeun, et al.
Veröffentlicht: (2024)

Randomized algorithms for precise measurement of differentially-private, personalized recommendations
von: Laro, Allegra, et al.
Veröffentlicht: (2023)

Machine learning for modular multiplication
von: Lauter, Kristin, et al.
Veröffentlicht: (2024)

Explainable Threat Attribution for IoT Networks Using Conditional SHAP and Flow Behavior Modelling
von: Ozechi, Samuel, et al.
Veröffentlicht: (2026)

NoMod: A Non-modular Attack on Module Learning With Errors
von: Bassotto, Cristian, et al.
Veröffentlicht: (2025)

SimKey: A Semantically Aware Key Module for Watermarking Language Models
von: Kodama, Shingo, et al.
Veröffentlicht: (2025)

Backdoors in DRL: Four Environments Focusing on In-distribution Triggers
von: Ashcraft, Chace, et al.
Veröffentlicht: (2025)

How does Graph Structure Modulate Membership-Inference Risk for Graph Neural Networks?
von: Khosla, Megha
Veröffentlicht: (2026)

Incentivising the federation: gradient-based metrics for data selection and valuation in private decentralised training
von: Usynin, Dmitrii, et al.
Veröffentlicht: (2023)

In-Context Learning Can Re-learn Forbidden Tasks
von: Xhonneux, Sophie, et al.
Veröffentlicht: (2024)

Correlation inference attacks against machine learning models
von: Creţu, Ana-Maria, et al.
Veröffentlicht: (2021)

Safety Training Modulates Harmful Misalignment Under On-Policy RL, But Direction Depends on Environment Design
von: Eshuijs, Leon, et al.
Veröffentlicht: (2026)

FedDCL: a federated data collaboration learning as a hybrid-type privacy-preserving framework based on federated learning and data collaboration
von: Imakura, Akira, et al.
Veröffentlicht: (2024)

Privacy Preserving Reinforcement Learning for Population Processes
von: Yang-Zhao, Samuel, et al.
Veröffentlicht: (2024)

Secure and Privacy-Preserving Federated Learning for Next-Generation Underground Mine Safety
von: Elmahallawy, Mohamed, et al.
Veröffentlicht: (2025)

FLAIM: AIM-based Synthetic Data Generation in the Federated Setting
von: Maddock, Samuel, et al.
Veröffentlicht: (2023)

Nonparametric extensions of randomized response for private confidence sets
von: Waudby-Smith, Ian, et al.
Veröffentlicht: (2022)

Leveraging Vertical Public-Private Split for Improved Synthetic Data Generation
von: Maddock, Samuel, et al.
Veröffentlicht: (2025)

Explainable Malware Detection through Integrated Graph Reduction and Learning Techniques
von: Mohammadian, Hesamodin, et al.
Veröffentlicht: (2024)