Buchumschlag

Detecting Atypical Clients in Federated Learning via Representation-Level Divergence

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Pérez-Corral, Cristian, Mestre, Jose I., Fernández-Hernández, Alberto, Dolz, Manuel F., Quitana-Ortí, Enrique S.
Format:	Preprint
Veröffentlicht:	2026
Schlagworte:	Machine Learning Artificial Intelligence
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

FedOUI: OUI-Guided Client Weighting for Federated Aggregation
von: Fernández-Hernández, Alberto, et al.
Veröffentlicht: (2026)

$λ$-GELU: Learning Gating Hardness for Controlled ReLU-ization in Deep Networks
von: Pérez-Corral, Cristian, et al.
Veröffentlicht: (2026)

StableGrad: Backward Scale Control without Batch Normalization
von: Mestre, Jose I., et al.
Veröffentlicht: (2026)

Why Adam Works Better with $β_1 = β_2$: The Missing Gradient Scale Invariance Principle
von: Fernández-Hernández, Alberto, et al.
Veröffentlicht: (2026)

When Learning Rates Go Wrong: Early Structural Signals in PPO Actor-Critic
von: Fernández-Hernández, Alberto, et al.
Veröffentlicht: (2026)

FedSQ: Optimized Weight Averaging via Fixed Gating
von: Pérez-Corral, Cristian, et al.
Veröffentlicht: (2026)

GLAI: GreenLightningAI for Accelerated Training through Knowledge Decoupling
von: Mestre, Jose I., et al.
Veröffentlicht: (2025)

Regime Change Hypothesis: Foundations for Decoupled Dynamics in Neural Network Training
von: Pérez-Corral, Cristian, et al.
Veröffentlicht: (2026)

OUI Need to Talk About Weight Decay: A New Perspective on Overfitting Detection
von: Fernández-Hernández, Alberto, et al.
Veröffentlicht: (2025)

Refresh-Scaling the Memory of Balanced Adam
von: Fernández-Hernández, Alberto, et al.
Veröffentlicht: (2026)

Sinusoidal Initialization, Time for a New Start
von: Fernández-Hernández, Alberto, et al.
Veröffentlicht: (2025)

OUIDecay: Adaptive Layer-wise Weight Decay for CNNs Using Online Activation Patterns
von: Fernández-Hernández, Alberto, et al.
Veröffentlicht: (2026)

OUI as a Structural Observable: Towards an Activation-Centric View of Neural Network Training
von: Fernández-Hernández, Alberto, et al.
Veröffentlicht: (2026)

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

FedRG: Unleashing the Representation Geometry for Federated Learning with Noisy Clients
von: Wen, Tian, et al.
Veröffentlicht: (2026)

FedCCRL: Federated Domain Generalization with Cross-Client Representation Learning
von: Wang, Xinpeng, et al.
Veröffentlicht: (2024)

Client-Level Differential Privacy via Adaptive Intermediary in Federated Medical Imaging
von: Jiang, Meirui, et al.
Veröffentlicht: (2023)

NAFTA'S institutions : An evaluation ten years on / Luis Quitana Romero
von: Quitana Romero, Luis

An Interpretable Client Decision Tree Aggregation process for Federated Learning
von: Argente-Garrido, Alberto, et al.
Veröffentlicht: (2024)

A Taxonomy and Resolution Strategy for Client-Level Disagreements in Federated Learning
von: Rosendal, Daan, et al.
Veröffentlicht: (2026)

FeDa4Fair: Client-Level Federated Datasets for Fairness Evaluation
von: Heilmann, Xenia, et al.
Veröffentlicht: (2025)

Adaptive Client Selection in Federated Learning: A Network Anomaly Detection Use Case
von: Marfo, William, et al.
Veröffentlicht: (2025)

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

Tackling Selfish Clients in Federated Learning
von: Augello, Andrea, et al.
Veröffentlicht: (2024)

Efficient Client Selection in Federated Learning
von: Marfo, William, et al.
Veröffentlicht: (2025)

Addressing Data Quality Decompensation in Federated Learning via Dynamic Client Selection
von: Fei, Qinjun, et al.
Veröffentlicht: (2025)

From domain-landmark graph learning to problem-landmark graph generation
von: Pérez-Corral, Cristian, et al.
Veröffentlicht: (2025)

Communication-Efficient Federated Learning with Accelerated Client Gradient
von: Kim, Geeho, et al.
Veröffentlicht: (2022)

Federated Learning with Sample-level Client Drift Mitigation
von: Xu, Haoran, et al.
Veröffentlicht: (2025)

Robust Client-Server Watermarking for Split Federated Learning
von: Tang, Jiaxiong, et al.
Veröffentlicht: (2025)

Unlearning Clients, Features and Samples in Vertical Federated Learning
von: Varshney, Ayush K., et al.
Veröffentlicht: (2025)

Robust Federated Learning against Noisy Clients via Masked Optimization
von: Jiang, Xuefeng, et al.
Veröffentlicht: (2025)

Robust Federated Learning under Adversarial Attacks via Loss-Based Client Clustering
von: Kritharakis, Emmanouil, et al.
Veröffentlicht: (2025)

RepuNet: A Reputation System for Mitigating Malicious Clients in DFL
von: Penalva, Isaac Marroqui, et al.
Veröffentlicht: (2025)

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

Trust Driven On-Demand Scheme for Client Deployment in Federated Learning
von: Chahoud, Mario, et al.
Veröffentlicht: (2024)

FedZMG: Efficient Client-Side Optimization in Federated Learning
von: Zantalis, Fotios, et al.
Veröffentlicht: (2026)

Heterogeneity-Aware Client Sampling for Optimal and Efficient Federated Learning
von: Weng, Shudi, et al.
Veröffentlicht: (2025)

Data-Free Client Contribution Estimation via Logit Maximization for Federated Learning
von: Ukaye, Asim, et al.
Veröffentlicht: (2026)

Secure Hierarchical Federated Learning in Vehicular Networks Using Dynamic Client Selection and Anomaly Detection
von: HaghighiFard, M. Saeid, et al.
Veröffentlicht: (2024)