สารบัญ
เราใช้โปรเจ็กต์อื่นเพื่อติดตามการอัปเดตเอกสาร FL โดยอัตโนมัติ คลิก FL-paper-update-tracker หากคุณต้องการ
รายการเพิ่มเติมจะถูกเพิ่มไปยังพื้นที่เก็บข้อมูล โปรดแนะนำแหล่งข้อมูลสำคัญอื่นๆ ได้โดยการเปิดรายงานปัญหา ส่งคำขอดึงข้อมูล หรือส่งอีเมลถึงฉัน @ ([email protected]) หากคุณต้องการสื่อสารกับเพื่อนมากขึ้นในด้านการเรียนรู้แบบสหพันธรัฐ โปรดเข้าร่วมกลุ่ม QQ [联邦学习交流群] หมายเลขกลุ่มคือ 833638275 ขอให้สนุกกับการอ่าน!
ประกาศการปรับปรุงพื้นที่เก็บข้อมูล
30/09/2024
เรียนผู้ใช้ เราต้องการแจ้งให้คุณทราบถึงการเปลี่ยนแปลงบางอย่างที่จะส่งผลต่อพื้นที่เก็บข้อมูลโอเพ่นซอร์สนี้ เจ้าของและผู้มีส่วนร่วมหลัก @youngfish42 สำเร็จการศึกษาระดับปริญญาเอกของเขาสำเร็จแล้ว ? ณ วันที่ 30 กันยายน 2024 และตั้งแต่นั้นมาก็ได้เปลี่ยนจุดเน้นการวิจัยของเขา การเปลี่ยนแปลงในสถานการณ์นี้จะส่งผลต่อความถี่และขอบเขตของการอัปเดตรายการกระดาษของที่เก็บ
แทนที่จะอัปเดตเป็นประจำก่อนหน้านี้ เราคาดว่ารายการกระดาษจะได้รับการอัปเดตเป็นรายเดือนหรือรายไตรมาส นอกจากนี้ ความลึกของการอัปเดตเหล่านี้จะลดลง ตัวอย่างเช่น การอัปเดตที่เกี่ยวข้องกับสถาบันของผู้เขียนและโค้ดโอเพ่นซอร์สจะไม่ได้รับการปรับปรุงอีกต่อไป
เราเข้าใจดีว่าสิ่งนี้อาจส่งผลต่อค่าที่คุณได้รับจากที่เก็บนี้ ดังนั้นเราจึงขอเชิญชวนผู้มีส่วนร่วมให้เข้าร่วมในการอัปเดตเนื้อหามากขึ้น ความพยายามในการทำงานร่วมกันนี้จะช่วยให้มั่นใจได้ว่าพื้นที่เก็บข้อมูลยังคงเป็นทรัพยากรที่มีคุณค่าสำหรับทุกคน
ขอขอบคุณสำหรับความเข้าใจของคุณและหวังว่าจะได้รับการสนับสนุนและการมีส่วนร่วมอย่างต่อเนื่องจากคุณ
ขอแสดงความนับถือ,
白小鱼 (ลูกปลา)
หมวดหมู่
ปัญญาประดิษฐ์ (IJCAI, AAAI, AISTATS, ALT, AI)
การเรียนรู้ของเครื่อง (NeurIPS, ICML, ICLR, COLT, UAI, การเรียนรู้ของเครื่อง, JMLR, TPAMI)
การทำเหมืองข้อมูล (KDD, WSDM)
ปลอดภัย (S&P, CCS, ความปลอดภัย USENIX, NDSS)
คอมพิวเตอร์วิทัศน์ (ICCV, CVPR, ECCV, MM, IJCV)
การประมวลผลภาษาธรรมชาติ (ACL, EMNLP, NAACL, COLING)
การสืบค้นข้อมูล (SIGIR)
ฐานข้อมูล (SIGMOD, ICDE, VLDB)
เครือข่าย (SIGCOMM, INFOCOM, MOBICOM, NSDI, WWW)
ระบบ (OSDI, SOSP, ISCA, MLSys, EuroSys, TPDS, DAC, TOCS, TOS, TCAD, TC)
อื่นๆ (ICSE, FOCS, STOC)
สถานที่ | 2024-2020 | ก่อนปี 2020 |
---|---|---|
อิจซี | 24, 23, 22, 21, 20 | 19 |
AAAI | 24, 23, 22, 21, 20 | - |
ไอสตัทส์ | 24, 23, 22, 21, 20 | - |
อัลที | 22 | - |
เอไอ (เจ) | 23 | - |
ประสาทไอพีเอส | 24, 23, 22, 21, 20 | 18, 17 |
ไอซีเอ็มแอล | 24, 23, 22, 21, 20 | 19 |
ไอซีแอลอาร์ | 24, 23, 22, 21, 20 | - |
โคลท์ | 23 | - |
อุ้ย | 23, 22, 21 | - |
การเรียนรู้ของเครื่อง (J) | 24, 23, 22 | - |
เจเอ็มแอลอาร์ (เจ) | 24, 23, 22 | - |
ทีปามิ (เจ) | 25, 24, 23, 22 | - |
เคดีดี | 24, 23, 22, 21, 20 | |
WSDM | 24, 23, 22, 21 | 19 |
เอสแอนด์พี | 24, 23, 22 | 19 |
ซีซีเอส | 24, 23, 22, 21, 19 | 17 |
USENIX ความปลอดภัย | 23, 22, 20 | - |
เอ็นดีเอสเอส | 24, 23, 22, 21 | - |
ซีวีพีอาร์ | 24, 23, 22, 21 | - |
ไอซีซีวี | 23,21 | - |
อีซีซีวี | 24, 22, 20 | - |
มม | 24, 23, 22, 21, 20 | - |
ไอเจซีวี (เจ) | 24 | - |
เอซีแอล | 23, 22, 21 | 19 |
เอ็นเอเอซีแอล | 24, 22, 21 | - |
เอ็มแอลพี | 24, 23, 22, 21, 20 | - |
โคลลิ่ง | 20 | - |
ซิเกอร์ | 24, 23, 22, 21, 20 | - |
ซิกโมด | 22, 21 | - |
ไอซีดีอี | 24, 23, 22, 21 | - |
วีแอลดีบี | 23, 22, 21, 21, 20 | - |
ซิกคอมม์ | - | - |
ข้อมูล | 24, 23, 22, 21, 20 | 19, 18 |
โมบิคอม | 24, 23, 22, 21, 20 | |
นสดี | 23(1, 2) | - |
WWW | 24, 23, 22, 21 | |
OSDI | 21 | - |
สสส | 21 | - |
ไอเอสก้า | 24 | - |
MLsys | 24, 23, 22, 20 | 19 |
ยูโรซิส | 24, 23, 22, 21, 20 | |
ทีพีดีเอส (เจ) | 24, 23, 22, 21, 20 | - |
ดีเอซี | 24, 22, 21 | - |
สารบัญ | - | - |
TOS | - | - |
TCAD | 24, 23, 22, 21 | - |
ทีซี | 24, 23, 22, 21 | - |
ไอซีเอสอี | 23, 21 | - |
ฟอส | - | - |
สตอค | - | - |
คำหลัก
สถิติ: มีรหัส & ดาว >= 100 | การอ้างอิง >= 50 | - สถานที่จัดงานชั้นยอด
kg.
: กราฟความรู้ | data.
: ชุดข้อมูล | surv.
: สำรวจ
เอกสารการเรียนรู้แบบสมาพันธ์ใน Nature (และวารสารย่อย), เซลล์, วิทยาศาสตร์ (และความก้าวหน้าทางวิทยาศาสตร์) และ PANS อ้างถึงเครื่องมือค้นหา WOS
ชื่อ | สังกัด | สถานที่ | ปี | วัสดุ |
---|---|---|---|---|
MatSwarm: การคำนวณวัสดุที่ขับเคลื่อนด้วยการเรียนรู้การถ่ายโอนกลุ่มที่เชื่อถือได้เพื่อการแบ่งปันข้อมูลขนาดใหญ่ที่ปลอดภัย | USTB; นทียู | แนท. ชุมชน | 2024 | [ผับ] [รหัส] |
การแนะนำ Edge Intelligence ให้กับมิเตอร์อัจฉริยะผ่านการเรียนรู้แบบแยกส่วนแบบรวมศูนย์ | มข | แนท. ชุมชน | 2024 | [ผับ] [ใหม่] |
การศึกษาระดับนานาชาติที่นำเสนอแพลตฟอร์ม AI การเรียนรู้แบบสมาพันธ์สำหรับเนื้องอกในสมองในเด็ก | มหาวิทยาลัยสแตนฟอร์ด | แนท. ชุมชน | 2024 | [ผับ] [รหัส] |
PPML-Omics: วิธีการเรียนรู้ของเครื่องแบบรวมศูนย์ที่รักษาความเป็นส่วนตัวช่วยปกป้องความเป็นส่วนตัวของผู้ป่วยในข้อมูล omic | คาสท์ | ความก้าวหน้าทางวิทยาศาสตร์ | 2024 | [ผับ] [รหัส] |
การเรียนรู้แบบสมาพันธ์ไม่ใช่วิธีแก้ทั้งหมดสำหรับจริยธรรมข้อมูล | ตั้ม; ยูวีเอ | แนท. มัค Intell.(ความคิดเห็น) | 2024 | [ผับ] |
รูปแบบการเรียนรู้แบบรวมศูนย์ที่แข็งแกร่งสำหรับการระบุผู้ป่วยที่มีความเสี่ยงสูงที่มีการกลับเป็นซ้ำของมะเร็งกระเพาะอาหารหลังผ่าตัด | โรงพยาบาลกลางเจียงเหมิน; มหาวิทยาลัยเทคโนโลยีการบินและอวกาศกุ้ยหลิน; มหาวิทยาลัยเทคโนโลยีอิเล็กทรอนิกส์กุ้ยหลิน; | แนท. ชุมชน | 2024 | [ผับ] [รหัส] |
การแบ่งปันความรู้แบบเลือกสรรเพื่อการกลั่นแบบสหพันธรัฐที่รักษาความเป็นส่วนตัวโดยไม่ต้องมีผู้สอนที่ดี | กุส | แนท. ชุมชน | 2024 | [ผับ] [PDF] [รหัส] |
ระบบการเรียนรู้แบบสหพันธรัฐสำหรับเนื้องอกวิทยาที่แม่นยำในยุโรป: DigiONE | IQVIA วิจัยมะเร็ง BV | แนท. ยา (ความคิดเห็น) | 2024 | [ผับ] |
การคำนวณควอนตัมแบบกระจายแบบหลายไคลเอนต์ด้วยสถาปัตยกรรม Qline | Sapienza Università di Roma | แนท. ชุมชน | 2023 | [ผับ] [PDF] |
การสุ่มควอนตัมที่ไม่ขึ้นอยู่กับอุปกรณ์ – การพิสูจน์ความรู้เป็นศูนย์ที่ได้รับการปรับปรุง | USTC | พนส | 2023 | [PUB] [PDF] [ข่าวสาร] |
การคัดแยกแบตเตอรี่ที่เลิกใช้แล้วโดยการทำงานร่วมกันและรักษาความเป็นส่วนตัวเพื่อการรีไซเคิลโดยตรงที่ทำกำไรได้ผ่านการเรียนรู้ของเครื่องแบบรวมศูนย์ | มหาวิทยาลัยซิงหัว | แนท. ชุมชน | 2023 | [ผับ] |
การสนับสนุนความเป็นส่วนตัวของ neurodata และกฎระเบียบด้านเทคโนโลยีประสาท | มหาวิทยาลัยโคลัมเบีย | แนท. โปรโตคอล (ทัศนคติ) | 2023 | [ผับ] |
การวัดประสิทธิภาพปัญญาประดิษฐ์ทางการแพทย์แบบรวมศูนย์ด้วย MedPerf | IHU สตราสบูร์ก; มหาวิทยาลัยสตราสบูร์ก; สถาบันมะเร็งดานา-ฟาร์เบอร์; การแพทย์ Weill Cornell; โรงเรียนสาธารณสุขฮาร์วาร์ด TH Chan; เอ็มไอที; อินเทล | แนท. มัค Intell | 2023 | [ผับ] [PDF] [รหัส] |
ความเป็นธรรมของอัลกอริทึมในปัญญาประดิษฐ์สำหรับการแพทย์และการดูแลสุขภาพ | โรงเรียนแพทย์ฮาร์วาร์ด; สถาบันกว้างแห่งฮาร์วาร์ดและสถาบันเทคโนโลยีแมสซาชูเซตส์; สถาบันมะเร็งดานา-ฟาร์เบอร์ | แนท. ชีวการแพทย์ อังกฤษ (ทัศนคติ) | 2023 | [ผับ] [PDF] |
การถ่ายทอดความรู้ส่วนตัวที่แตกต่างเพื่อการเรียนรู้แบบสหพันธรัฐ | พฤ | แนท. ชุมชน | 2023 | [ผับ] [รหัส] |
การเรียนรู้แบบสหพันธรัฐแบบกระจายอำนาจผ่านการแชร์โมเดลพร็อกซี | เลเยอร์ 6 เอไอ; มหาวิทยาลัยวอเตอร์ลู; สถาบันเวกเตอร์ | แนท. ชุมชน | 2023 | [ผับ] [PDF] [รหัส] |
การเรียนรู้ของเครื่องแบบรวมศูนย์ในการวิจัยที่สอดคล้องกับการปกป้องข้อมูล | มหาวิทยาลัยฮัมบูร์ก | แนท. มัค Intell.(ความคิดเห็น) | 2023 | [ผับ] |
การเรียนรู้แบบสหพันธรัฐสำหรับการทำนายการตอบสนองทางเนื้อเยื่อวิทยาต่อเคมีบำบัดแบบ neoadjuvant ในมะเร็งเต้านมแบบลบสามเท่า | โอคิน | แนท. ยา | 2023 | [ผับ] [รหัส] |
การเรียนรู้แบบสหพันธรัฐทำให้เกิดข้อมูลขนาดใหญ่สำหรับการตรวจจับขอบเขตของมะเร็งที่หายาก | มหาวิทยาลัยเพนซิลวาเนีย | แนท. ชุมชน | 2022 | [ผับ] [PDF] [รหัส] |
การเรียนรู้แบบสหพันธรัฐและอธิปไตยข้อมูลจีโนมของชนพื้นเมือง | กอดหน้า | แนท. มัค Intell (ความคิดเห็น) | 2022 | [ผับ] |
การเรียนรู้การเป็นตัวแทนแบบแยกส่วนแบบสหพันธรัฐเพื่อการตรวจจับความผิดปกติของสมองโดยไม่ได้รับการดูแล | ตั้ม | แนท. มัค Intell | 2022 | [ผับ] [PDF] [รหัส] |
การเปลี่ยนการเรียนรู้ของเครื่องสำหรับการดูแลสุขภาพจากการพัฒนาไปสู่การใช้งาน และจากแบบจำลองไปสู่ข้อมูล | มหาวิทยาลัยสแตนฟอร์ด; วิทยาศาสตร์ชีวภาพของกรีนสโตน | แนท. ชีวการแพทย์ อังกฤษ (บทความทบทวน) | 2022 | [ผับ] |
เฟรมเวิร์กเครือข่ายนิวรัลกราฟแบบรวมศูนย์สำหรับความเป็นส่วนตัวที่รักษาความเป็นส่วนตัว | พฤ | แนท. ชุมชน | 2022 | [PUB] [รหัส] [解读] |
การเรียนรู้แบบสมาพันธ์ที่มีประสิทธิภาพในการสื่อสารผ่านการกลั่นกรองความรู้ | พฤ | แนท. ชุมชน | 2022 | [ผับ] [PDF] [รหัส] |
เป็นผู้นำการเรียนรู้ neuromorphic แบบรวมศูนย์สำหรับปัญญาประดิษฐ์ขอบไร้สาย | เอ็กซ์เอ็มยู; นทียู | แนท. ชุมชน | 2022 | [PUB] [รหัส] [解读] |
วิธีการเรียนรู้แบบสหพันธรัฐแบบกระจายอำนาจแบบใหม่เพื่อฝึกอบรมข้อมูลทางการแพทย์ส่วนตัวที่มีการกระจายทั่วโลก คุณภาพต่ำ และได้รับการคุ้มครอง | มหาวิทยาลัยวูลลองกอง | วิทยาศาสตร์ ตัวแทน | 2022 | [ผับ] |
ยกระดับการวินิจฉัยโรคโควิด-19 ด้วยความร่วมมือในการรักษาความเป็นส่วนตัวในด้านปัญญาประดิษฐ์ | ฮัส | แนท. มัค Intell | 2021 | [ผับ] [PDF] [รหัส] |
การเรียนรู้แบบสหพันธรัฐสำหรับการทำนายผลลัพธ์ทางคลินิกในผู้ป่วยโรคโควิด-19 | รังสีวิทยา MGH และโรงเรียนแพทย์ฮาร์วาร์ด | แนท. ยา | 2021 | [ผับ] [รหัส] |
การแทรกแซงของฝ่ายตรงข้ามและการบรรเทาผลกระทบในการเรียนรู้ของเครื่องที่ทำงานร่วมกันเพื่อรักษาความเป็นส่วนตัว | อิมพีเรียลคอลเลจลอนดอน; ตั้ม; OpenMined | แนท. มัค Intell. (มุมมอง) | 2021 | [ผับ] |
Swarm Learning สำหรับการเรียนรู้ของเครื่องทางคลินิกแบบกระจายอำนาจและเป็นความลับ | ดีแซด; มหาวิทยาลัยบอนน์; | ธรรมชาติ ? | 2021 | [PUB] [รหัส] [ซอฟต์แวร์] [解读] |
ความเป็นส่วนตัวแบบ end-to-end รักษาการเรียนรู้เชิงลึกเกี่ยวกับการถ่ายภาพทางการแพทย์หลายสถาบัน | ตั้ม; อิมพีเรียลคอลเลจลอนดอน; OpenMined | แนท. มัค Intell | 2021 | [PUB] [รหัส] [解读] |
การเรียนรู้แบบสหพันธรัฐที่มีประสิทธิภาพในการสื่อสาร | ซียูเอชเค; มหาวิทยาลัยพรินซ์ตัน | กระทะ | 2021 | [ผับ] [รหัส] |
ทำลายขอบเขตการแบ่งปันข้อมูลทางการแพทย์ด้วยการใช้ภาพเอ็กซ์เรย์สังเคราะห์ | มหาวิทยาลัย RWTH อาเค่น | ศาสตร์. ความก้าวหน้า | 2020 | [ผับ] [รหัส] |
แมชชีนเลิร์นนิงที่ปลอดภัย รักษาความเป็นส่วนตัว และรวมศูนย์ในภาพทางการแพทย์ | ตั้ม; อิมพีเรียลคอลเลจลอนดอน; OpenMined | แนท. มัค Intell. (มุมมอง) | 2020 | [ผับ] |
เอกสารการเรียนรู้แบบสหพันธรัฐที่ได้รับการยอมรับจากการประชุมและวารสาร AI (ปัญญาประดิษฐ์) ชั้นนำ รวมถึง IJCAI (การประชุมร่วมระหว่างประเทศเกี่ยวกับปัญญาประดิษฐ์), AAAI (การประชุม AAAI เกี่ยวกับปัญญาประดิษฐ์), AISTATS (ปัญญาประดิษฐ์และสถิติ), ALT (การประชุมนานาชาติเกี่ยวกับการเรียนรู้อัลกอริทึม ทฤษฎี), AI (ปัญญาประดิษฐ์)
ชื่อ | สังกัด | สถานที่ | ปี | วัสดุ |
---|---|---|---|---|
การทำคลัสเตอร์หลายมุมมองแบบรวมศูนย์ผ่านการแยกตัวประกอบเทนเซอร์ | อิจซี | 2024 | [ผับ] | |
การทำคลัสเตอร์หลายมุมมองแบบรวมศูนย์ที่มีประสิทธิภาพพร้อมการแยกตัวประกอบเมทริกซ์แบบรวมและ K-Means | อิจซี | 2024 | [ผับ] | |
LG-FGAD: เฟรมเวิร์กการตรวจจับความผิดปกติของกราฟแบบรวมศูนย์ที่มีประสิทธิภาพ | อิจซี | 2024 | [ผับ] | |
การเรียนรู้พร้อมท์แบบรวมศูนย์สำหรับโมเดลพื้นฐานสภาพอากาศบนอุปกรณ์ | อิจซี | 2024 | [ผับ] | |
การทำลายอุปสรรคของความหลากหลายของระบบ: การเรียนรู้แบบสหพันธรัฐหลายรูปแบบที่ทนต่อการพลัดหลงผ่านการกลั่นกรองความรู้ | อิจซี | 2024 | [ผับ] | |
การไม่เรียนรู้ระหว่างการเรียนรู้: วิธีการ Unlearning ของเครื่องแบบรวมศูนย์ที่มีประสิทธิภาพ | อิจซี | 2024 | [ผับ] | |
การบีบอัดไล่ระดับแบบไฮบริดที่ใช้งานได้จริงสำหรับระบบการเรียนรู้แบบรวมศูนย์ | อิจซี | 2024 | [ผับ] | |
ตัวอย่างการค้นพบสาเหตุแบบรวมที่คำนึงถึงความหลากหลายโดยคำนึงถึงคุณภาพผ่านการเลือกพื้นที่ตัวแปรแบบปรับเปลี่ยนได้ | อิจซี | 2024 | [ผับ] [รหัส] | |
การเรียนรู้แบบสมาพันธ์แบบมาตรฐานของฟีเจอร์: การใช้ความไม่เท่าเทียมกันของข้อมูลเพื่อเพิ่มประสิทธิภาพของโมเดล | อิจซี | 2024 | [ผับ] [รหัส] | |
ปริมาณความไม่แน่นอนที่ใช้ดิริชเลต์สำหรับการเรียนรู้แบบสมาพันธ์เฉพาะบุคคลด้วยเครือข่ายหลังที่ได้รับการปรับปรุง | อิจซี | 2024 | [ผับ] | |
FedConPE: โจรสนทนาแบบสหพันธรัฐที่มีประสิทธิภาพกับลูกค้าที่แตกต่างกัน | อิจซี | 2024 | [ผับ] | |
DarkFed: การโจมตีแบ็คดอร์โดยไม่มีข้อมูลในการเรียนรู้แบบรวมศูนย์ | อิจซี | 2024 | [ผับ] | |
Unlearning แบบรวมศูนย์ที่ปรับขนาดได้ผ่าน Sharding แบบแยกและแบบเข้ารหัส | อิจซี | 2024 | [ผับ] | |
ปรับปรุงคำแนะนำแบบข้ามโดเมนแบบสองเป้าหมายด้วยการเรียนรู้แบบรักษาความเป็นส่วนตัวแบบรวมศูนย์ | อิจซี | 2024 | [ผับ] | |
การรั่วไหลของฉลากในการเรียนรู้แบบสหพันธรัฐแนวตั้ง: แบบสำรวจ | อิจซี | 2024 | [ผับ] | |
การเพิ่มขึ้นของหน่วยสืบราชการลับแบบสหพันธรัฐ: จากแบบจำลองมูลนิธิแบบสหพันธรัฐไปสู่หน่วยสืบราชการลับแบบรวม | อิจซี | 2024 | [ผับ] | |
LEAP: การเพิ่มประสิทธิภาพการเรียนรู้แบบสหพันธ์แบบลำดับชั้นบนข้อมูลที่ไม่ใช่ IID ด้วยเกมการสร้างแนวร่วม | อิจซี | 2024 | [ผับ] | |
EAB-FL: การทำให้อคติอัลกอริทึมรุนแรงขึ้นผ่านการโจมตีแบบเป็นพิษในการเรียนรู้แบบสหพันธรัฐ | อิจซี | 2024 | [ผับ] | |
การกลั่นกรองความรู้ในการเรียนรู้แบบสหพันธรัฐ: แนวทางปฏิบัติ | อิจซี | 2024 | [ผับ] | |
FedGCS: กรอบการทำงานทั่วไปสำหรับการเลือกลูกค้าที่มีประสิทธิภาพในการเรียนรู้แบบรวมศูนย์ผ่านการเพิ่มประสิทธิภาพตามการไล่ระดับสี | อิจซี | 2024 | [ผับ] | |
FedPFT: การปรับแต่งพร็อกซีแบบรวมศูนย์อย่างละเอียดสำหรับโมเดลพื้นฐาน | อิจซี | 2024 | [ผับ] [รหัส] | |
การสำรวจอย่างเป็นระบบเกี่ยวกับการเรียนรู้แบบกึ่งมีผู้สอนแบบสหพันธรัฐ | อิจซี | 2024 | [ผับ] | |
ตัวแทนอัจฉริยะสำหรับการเรียนรู้แบบสหพันธรัฐตามการประมูล: แบบสำรวจ | อิจซี | 2024 | [ผับ] | |
กลยุทธ์การเสนอราคาแบบเพิ่มรายได้สูงสุดโดยปราศจากอคติสำหรับผู้บริโภคข้อมูลในการเรียนรู้แบบสหพันธรัฐตามการประมูล | อิจซี | 2024 | [ผับ] | |
การเรียนรู้แบบสมาพันธ์ส่วนบุคคลที่ใช้การสอบเทียบแบบคู่ | อิจซี | 2024 | [ผับ] | |
การสนับสนุนการตัดสินใจที่มุ่งเน้นผู้มีส่วนได้ส่วนเสียสำหรับการเรียนรู้แบบสหพันธรัฐตามการประมูล | อิจซี | 2024 | [ผับ] | |
นิยามใหม่ของการมีส่วนร่วม: การเรียนรู้แบบสมาพันธ์ที่ขับเคลื่อนโดย Shapley | อิจซี | 2024 | [ผับ] [รหัส] | |
แบบสำรวจเกี่ยวกับวิธีการเรียนรู้แบบสมาพันธ์ที่มีประสิทธิภาพสำหรับการฝึกอบรมโมเดลพื้นฐาน | อิจซี | 2024 | [ผับ] | |
จากการเพิ่มประสิทธิภาพสู่ลักษณะทั่วไป: การเรียนรู้แบบสมาพันธ์ที่ยุติธรรมกับการเปลี่ยนแปลงคุณภาพผ่านการจับคู่ความคมชัดระหว่างไคลเอนต์ | อิจซี | 2024 | [ผับ] [รหัส] | |
FBLG: แนวทางที่ใช้กราฟท้องถิ่นสำหรับการจัดการข้อมูลที่ไม่ใช่ IID ที่บิดเบี้ยวแบบคู่ในการเรียนรู้แบบสหพันธรัฐ | อิจซี | 2024 | [ผับ] | |
FedFa: กระบวนทัศน์การฝึกอบรมแบบอะซิงโครนัสเต็มรูปแบบสำหรับการเรียนรู้แบบสหพันธรัฐ | อิจซี | 2024 | [ผับ] | |
FedSSA: การรวมกลุ่มตามความหมายที่คล้ายคลึงกันเพื่อการเรียนรู้แบบสหพันธรัฐส่วนบุคคลที่มีรูปแบบต่างกันอย่างมีประสิทธิภาพ | อิจซี | 2024 | [ผับ] | |
FedES: การหยุดก่อนกำหนดแบบสหพันธรัฐเพื่อขัดขวางการจดจำสัญญาณรบกวนฉลากที่ต่างกัน | อิจซี | 2024 | [ผับ] | |
การเรียนรู้แบบสมาพันธ์ส่วนบุคคลสำหรับการทำนายการจราจรข้ามเมือง | อิจซี | 2024 | [ผับ] | |
การปรับตัวแบบสหพันธรัฐสำหรับคำแนะนำตามแบบจำลองของมูลนิธิ | อิจซี | 2024 | [ผับ] | |
BADFSS: การโจมตีแบบแบ็คดอร์ในการเรียนรู้แบบควบคุมตนเองแบบรวมศูนย์ | อิจซี | 2024 | [ผับ] | |
การประมาณค่าก่อนการ Debiasing: แนวทางแบบเบย์เพื่อแยกอคติก่อนหน้าในการเรียนรู้แบบกึ่งควบคุมแบบสหพันธรัฐ | อิจซี | 2024 | [ผับ] [รหัส] | |
FedTAD: การกลั่นกรองความรู้โดยปราศจากข้อมูลโดยคำนึงถึงโทโพโลยีสำหรับ Subgraph Federated Learning | อิจซี | 2024 | [ผับ] | |
BOBA: การเรียนรู้แบบสมาพันธ์แบบไบเซนไทน์ที่แข็งแกร่งพร้อมความเบ้ของฉลาก | UIUC | ไอสตัทส์ | 2024 | [ผับ] [PDF] [รหัส] |
โจรตามบริบทเชิงเส้นแบบสหพันธรัฐกับไคลเอนต์ที่แตกต่างกัน | มหาวิทยาลัยเวอร์จิเนีย | ไอสตัทส์ | 2024 | [ผับ] [PDF] [รหัส] |
การออกแบบการทดลองแบบรวมศูนย์ภายใต้ Distributed Differential Privacy | มหาวิทยาลัยสแตนฟอร์ด; เมตา | ไอสตัทส์ | 2024 | [ผับ] [PDF] [รหัส] |
การหลบหนีจุดอานในการเรียนรู้แบบสหพันธรัฐที่แตกต่างกันผ่าน SGD แบบกระจายพร้อมการบีบอัดการสื่อสาร | มหาวิทยาลัยพรินซ์ตัน | ไอสตัทส์ | 2024 | [ผับ] [PDF] |
SGD แบบอะซิงโครนัสบนกราฟ: Unified Framework สำหรับ Asynchronous Decentralized และ Federated Optimization | อินเรีย | ไอสตัทส์ | 2024 | [ผับ] [PDF] |
SIFU: Unlearning แบบรวมศูนย์ที่ได้รับข้อมูลตามลำดับเพื่อ Unlearning ไคลเอ็นต์ที่มีประสิทธิภาพและพิสูจน์ได้ในการเพิ่มประสิทธิภาพแบบรวมศูนย์ | อินเรีย | ไอสตัทส์ | 2024 | [ผับ] [PDF] [รหัส] |
การบีบอัดที่มีการกระจายข้อผิดพลาดที่แน่นอนสำหรับการเรียนรู้แบบสหพันธรัฐ | เอโคล โปลีเทคนิค | ไอสตัทส์ | 2024 | [ผับ] [PDF] [รหัส] |
การเพิ่มประสิทธิภาพ Minimax แบบรวมศูนย์แบบปรับตัวพร้อมความซับซ้อนที่ต่ำกว่า | นิวจู; ห้องปฏิบัติการหลักของ MIIT ด้านการวิเคราะห์รูปแบบและความฉลาดของเครื่องจักร | ไอสตัทส์ | 2024 | [ผับ] [PDF] |
การบีบอัดแบบอะแดปทีฟในการเรียนรู้แบบสหพันธรัฐผ่านข้อมูลข้างเคียง | มหาวิทยาลัยสแตนฟอร์ด; มหาวิทยาลัยปาโดวา | ไอสตัทส์ | 2024 | [ผับ] [PDF] [รหัส] |
การเรียนรู้แบบสมาพันธ์ตามความต้องการสำหรับการแจกแจงคลาสเป้าหมายตามอำเภอใจ | รวมกัน | ไอสตัทส์ | 2024 | [ผับ] [รหัส] |
FedFisher: การใช้ประโยชน์จากข้อมูลของฟิชเชอร์เพื่อการเรียนรู้แบบสหพันธรัฐแบบ One-Shot | มช | ไอสตัทส์ | 2024 | [ผับ] [PDF] [รหัส] |
การจัดคิวไดนามิกของการเรียนรู้แบบสหพันธรัฐแบบอะซิงโครนัส | หัวเว่ย | ไอสตัทส์ | 2024 | [ผับ] [PDF] |
โจรติดอาวุธ X สหพันธรัฐส่วนบุคคล | มหาวิทยาลัยเพอร์ดู | ไอสตัทส์ | 2024 | [ผับ] [PDF] [รหัส] |
การเรียนรู้แบบสมาพันธ์สำหรับบันทึกสุขภาพอิเล็กทรอนิกส์ที่แตกต่างกันโดยใช้เครือข่ายความสนใจกราฟชั่วคราวแบบเสริม | มหาวิทยาลัยอ๊อกซฟอร์ด | ไอสตัทส์ | 2024 | [ผับ] [รหัส] |
Stochastic Smoothed Gradient Descent Ascent เพื่อการเพิ่มประสิทธิภาพ Minimax แบบรวมศูนย์ | มหาวิทยาลัยเวอร์จิเนีย | ไอสตัทส์ | 2024 | [ผับ] [PDF] |
การทำความเข้าใจลักษณะทั่วไปของการเรียนรู้แบบสหพันธรัฐผ่านความเสถียร: เรื่องความแตกต่าง | มหาวิทยาลัยนอร์ธเวสเทิร์น | ไอสตัทส์ | 2024 | [ผับ] [PDF] [รหัส] |
ประโยชน์ร่วมกันที่พิสูจน์ได้จากการเรียนรู้แบบสหพันธ์ในโดเมนที่ละเอียดอ่อนต่อความเป็นส่วนตัว | มหาวิทยาลัยโซเฟีย | ไอสตัทส์ | 2024 | [ผับ] [PDF] [รหัส] |
การวิเคราะห์การรั่วไหลของความเป็นส่วนตัวในโมเดลภาษาขนาดใหญ่แบบรวมศูนย์ | มหาวิทยาลัยฟลอริดา | ไอสตัทส์ | 2024 | [ผับ] [PDF] [รหัส] |
Invariant Aggregator สำหรับการป้องกันการโจมตีแบ็คดอร์แบบรวมศูนย์ | UIUC | ไอสตัทส์ | 2024 | [ผับ] [PDF] [รหัส] |
การเรียนรู้แบบสมาพันธ์ที่มีประสิทธิภาพในการสื่อสารด้วยข้อมูลและความหลากหลายของลูกค้า | ไอสต้า | ไอสตัทส์ | 2024 | [ผับ] [PDF] [รหัส] |
FedMut: การเรียนรู้แบบสหพันธรัฐทั่วไปผ่านการกลายพันธุ์แบบสุ่ม | นทียู | AAAI | 2024 | [ผับ] |
การเรียนรู้ฉลากบางส่วนแบบรวมศูนย์ด้วยการเพิ่มและการปรับให้เป็นมาตรฐานในท้องถิ่น | มหาวิทยาลัยคาร์ลตัน | AAAI | 2024 | [ผับ] [หน้า] |
ไม่มีอคติ! โครงข่ายประสาทเทียมกราฟแบบรวมศูนย์ที่ยุติธรรมสำหรับคำแนะนำส่วนบุคคล | ไอไอที | AAAI | 2024 | [ผับ] [หน้า] [PDF] [รหัส] |
ลอจิกอย่างเป็นทางการเปิดใช้งานการเรียนรู้แบบสมาพันธ์ส่วนบุคคลผ่านการอนุมานคุณสมบัติ | มหาวิทยาลัยแวนเดอร์บิลต์ | AAAI | 2024 | [ผับ] [PDF] |
การเรียนรู้การเป็นตัวแทนการรักษาความเป็นส่วนตัวโดยไม่เชื่อเรื่องงานสำหรับการเรียนรู้แบบรวมศูนย์เพื่อต่อต้านการโจมตีโดยอนุมานแอตทริบิวต์ | อิลลินอยส์เทค | AAAI | 2024 | [ผับ] [หน้า] [PDF] [รหัส] |
FairTrade: บรรลุการแลกเปลี่ยนที่เหมาะสมที่สุดแบบพาเรโตระหว่างความแม่นยำที่สมดุลและความเป็นธรรมในการเรียนรู้แบบสหพันธรัฐ | มหาวิทยาลัยไลบ์นิซ | AAAI | 2024 | [ผับ] [หน้า] |
การต่อสู้กับความไม่สมดุลของข้อมูลในการเรียนรู้แบบกึ่งควบคุมแบบรวมศูนย์ด้วยหน่วยงานกำกับดูแลแบบคู่ | กุส | AAAI | 2024 | [ผับ] [หน้า] [PDF] |
Fed-QSSL: กรอบงานสำหรับการเรียนรู้แบบสมาพันธ์เฉพาะบุคคลภายใต้บิตไวด์ธและความหลากหลายของข้อมูล | ยูทาห์ | AAAI | 2024 | [ผับ] [หน้า] [PDF] |
เรื่อง การคลี่คลายการถ่ายโอนความรู้แบบอสมมาตรสำหรับการเรียนรู้แบบสหพันธรัฐแบบผู้ไม่เชื่อเรื่องงานในรูปแบบงาน | มหาวิทยาลัยเวอร์จิเนีย | AAAI | 2024 | [ผับ] |
FedDAT: แนวทางสำหรับการปรับโมเดลพื้นฐานในการเรียนรู้แบบสหพันธรัฐที่แตกต่างกันหลายรูปแบบ | LMU มิวนิค Siemens AG | AAAI | 2024 | [ผับ] [หน้า] [PDF] [รหัส] |
ระวังศีรษะของคุณ: การประกอบหัวฉายเพื่อรักษาความน่าเชื่อถือของโมเดลแบบรวม | มหาวิทยาลัยซีอานเจียวทง มณฑลส่านซี ห้องปฏิบัติการหลักด้านปัญญาประดิษฐ์ | AAAI | 2024 | [ผับ] [หน้า] [PDF] |
FedGCR: บรรลุประสิทธิภาพและความเป็นธรรมสำหรับการเรียนรู้แบบสมาพันธ์ด้วยประเภทไคลเอนต์ที่แตกต่างผ่านการปรับแต่งกลุ่มและการปรับน้ำหนักใหม่ | นทียู | AAAI | 2024 | [ผับ] [หน้า] [รหัส] |
ตัวเข้ารหัสเฉพาะ Modality แบบรวมศูนย์และจุดยึดหลายรูปแบบสำหรับการแบ่งส่วนเนื้องอกในสมองส่วนบุคคล | มหาวิทยาลัยเซียะเหมิน | AAAI | 2024 | [ผับ] [หน้า] [PDF] [รหัส] |
การใช้ประโยชน์จาก Label Skews ในการเรียนรู้แบบสหพันธรัฐด้วยการต่อข้อมูลแบบจำลอง | มหาวิทยาลัยสงขลานครินทร์ | AAAI | 2024 | [ผับ] [หน้า] [PDF] [รหัส] |
การกลั่นกรองความรู้เสริมสำหรับโมเดลที่แข็งแกร่งและรักษาความเป็นส่วนตัวซึ่งให้บริการในการเรียนรู้แบบสหพันธรัฐแนวตั้ง | ซอส; กุส | AAAI | 2024 | [ผับ] [หน้า] |
การเรียนรู้แบบสหพันธรัฐผ่านการกลั่นแบบร่วมมือกันระหว่างอินพุตและเอาท์พุต | มหาวิทยาลัยบัฟฟาโล; โรงเรียนแพทย์ฮาร์วาร์ดแห่งสหรัฐอเมริกา | AAAI | 2024 | [ผับ] [หน้า] [PDF] [รหัส] |
ปรับเทียบการเรียนรู้แบบสหพันธรัฐหนึ่งรอบด้วยการอนุมานแบบเบย์ในพื้นที่การคาดการณ์ | สถาบันเวกเตอร์มหาวิทยาลัยวอเตอร์ลู | AAAI | 2024 | [ผับ] [หน้า] [PDF] [รหัส] |
FedCSL: แนวทางที่ปรับขนาดได้และแม่นยำสำหรับการเรียนรู้โครงสร้างเชิงสาเหตุแบบรวมศูนย์ | HFUT | AAAI | 2024 | [ผับ] [PDF] |
FedFixer: การลดสัญญาณรบกวนฉลากที่แตกต่างกันในการเรียนรู้แบบสหพันธรัฐ | มหาวิทยาลัยซีอานเจียวทง; มหาวิทยาลัยไลเดน | AAAI | 2024 | [ผับ] [หน้า] [PDF] |
FedLPS: การเรียนรู้แบบรวมศูนย์ที่แตกต่างกันสำหรับหลายงานพร้อมการแบ่งปันพารามิเตอร์ในเครื่อง | นิวจู | AAAI | 2024 | [ผับ] [หน้า] [PDF] [รหัส] |
การเรียนรู้ Trilevel แบบบรรจบกันที่พิสูจน์ได้ | ทีจู | AAAI | 2024 | [ผับ] [PDF] |
การเรียนรู้แบบสหพันธรัฐเชิงปฏิบัติ: โซลูชันสำหรับการเปลี่ยนแปลงการกระจายแบบขึ้นกับโมเดลและแบบต่างกัน | อืม | AAAI | 2024 | [ผับ] [หน้า] |
ข่าวกรองเชิงพาณิชย์ทั่วไป: เครื่องมือที่ใช้ NLP แบบรวมศูนย์ระดับสากลเพื่อการรักษาความเป็นส่วนตัวและบริการเฉพาะบุคคลอย่างยั่งยืนของผู้ค้าหลายราย | มหาวิทยาลัยคยองฮี; ฮาเร็กซ์ อินโฟเทค | AAAI | 2024 | [ผับ] [หน้า] |
EMGAN: Early-Mix-GAN เกี่ยวกับการแตกโมเดลฝั่งเซิร์ฟเวอร์ในการเรียนรู้แบบรวมศูนย์แบบแยกส่วน | โซนี่ เอไอ | AAAI | 2024 | [ผับ] [หน้า] [รหัส] |
FedDiv: การกรองสัญญาณรบกวนการทำงานร่วมกันเพื่อการเรียนรู้แบบสมาพันธ์ด้วยป้ายกำกับที่มีสัญญาณรบกวน | ซีซู่; มข | AAAI | 2024 | [ผับ] [หน้า] [PDF] [รหัส] |
Point Transformer พร้อมการเรียนรู้แบบสมาพันธ์สำหรับการทำนายสถานะมะเร็งเต้านม HER2 จากรูปภาพสไลด์ทั้งเฮมาทอกซิลินและอีโอซินที่เปื้อน | USTC; CAS | AAAI | 2024 | [ผับ] [หน้า] [PDF] [รหัส] |
FedNS: อัลกอริธึมประเภทนิวตันการร่างอย่างรวดเร็วสำหรับการเรียนรู้แบบสหพันธรัฐ | CAS | AAAI | 2024 | [ผับ] [PDF] [รหัส] |
โจรติดอาวุธ X สหพันธ์ | มหาวิทยาลัยเพอร์ดู | AAAI | 2024 | [ผับ] [หน้า] [PDF] [รหัส] |
พื้นฐานอัลกอริทึมของการเรียนรู้แบบสมาพันธ์พร้อมข้อมูลตามลำดับ | จีเอ็มยู | AAAI | 2024 | [ผับ] |
UFDA: การปรับโดเมนแบบรวมศูนย์สากลพร้อมสมมติฐานเชิงปฏิบัติ | XJTU; มหาวิทยาลัยซิดนีย์ | AAAI | 2024 | [ผับ] [หน้า] [PDF] [รหัส] |
FedASMU: การเรียนรู้แบบรวมศูนย์แบบอะซิงโครนัสที่มีประสิทธิภาพพร้อมการอัปเดตโมเดล Staleness-Aware แบบไดนามิก | คิดถึง RoyalFlush Information Network Co | AAAI | 2024 | [ผับ] [หน้า] [PDF] |
หม้อแปลงนำทางด้วยภาษาสำหรับการจำแนกประเภทหลายฉลากแบบรวมศูนย์ | นทียู | AAAI | 2024 | [ผับ] [หน้า] [PDF] [รหัส] |
FedCD: การเรียนรู้แบบกึ่งควบคุมแบบสหพันธรัฐพร้อมสมดุลการรับรู้ในชั้นเรียนผ่านครูคู่ | สซู | AAAI | 2024 | [ผับ] [หน้า] [รหัส] |
เหนือกว่าภัยคุกคามแบบเดิมๆ: การโจมตีแบบแบ็คดอร์อย่างต่อเนื่องในการเรียนรู้แบบสหพันธรัฐ | เฮอ | AAAI | 2024 | [ผับ] [หน้า] [รหัส] |
การเรียนรู้แบบสมาพันธ์กับไคลเอนต์ที่มีเสียงดังมากผ่านการกลั่นแบบลบ | เอ็กซ์เอ็มยู | AAAI | 2024 | [ผับ] [หน้า] [PDF] [รหัส] |
FedST: การเรียนรู้การถ่ายโอนสไตล์แบบรวมศูนย์สำหรับการแบ่งส่วนรูปภาพที่ไม่ใช่ IID | ยูเอสทีบี | AAAI | 2024 | [PUB] [PAGE] [学报] [CODE] |
PPIDSG: โครงการแบ่งปันรูปภาพที่รักษาความเป็นส่วนตัวกับ GAN ในการเรียนรู้แบบสหพันธรัฐ | USTC | AAAI | 2024 | [ผับ] [หน้า] [PDF] [รหัส] |
กรอบการทำงาน Cognitive Digital Twin (CDT) ที่อิงตามการเรียนรู้แบบสหพันธรัฐ (PPFL) สำหรับเมืองอัจฉริยะ | ดีซียู | AAAI | 2024 | [ผับ] |
อัลกอริธึม Primal-Dual สำหรับการเรียนรู้แบบรวมศูนย์แบบไฮบริด | มหาวิทยาลัยนอร์ธเวสเทิร์น | AAAI | 2024 | [ผับ] [หน้า] [PDF] |
FedLF: การเรียนรู้แบบสหพันธรัฐที่ยุติธรรมแบบเลเยอร์ | ซียูเอชเค; สถาบันปัญญาประดิษฐ์และหุ่นยนต์เพื่อสังคมแห่งเซินเจิ้น | AAAI | 2024 | [ผับ] [หน้า] |
สู่การเรียนรู้แบบสหพันธรัฐกราฟที่ยุติธรรมผ่านกลไกสิ่งจูงใจ | ซีจู; เอฟดียู | AAAI | 2024 | [ผับ] [หน้า] [PDF] [รหัส] |
สู่ความแข็งแกร่งของการเรียนรู้แบบสหพันธ์เอกชนที่แตกต่าง | พฤ | AAAI | 2024 | [ผับ] [หน้า] |
การต่อต้านการโจมตีลับๆ ในการเรียนรู้แบบสหพันธรัฐผ่านการเลือกตั้งแบบสองทิศทางและมุมมองของบุคคล | ซีจู; หัวเว่ย | AAAI | 2024 | [ผับ] [หน้า] [PDF] [รหัส] |
จำนวนเต็มก็เพียงพอแล้ว: เมื่อการเรียนรู้แบบสหพันธรัฐแนวตั้งมาบรรจบกับการปัดเศษ | ซีจู; กลุ่มมด | AAAI | 2024 | [ผับ] [หน้า] |
การเรียนรู้แบบสหพันธรัฐแบบใช้คลิปชี้แนะเกี่ยวกับความแตกต่างและข้อมูลแบบหางยาว | เอ็กซ์เอ็มยู | AAAI | 2024 | [ผับ] [หน้า] [PDF] [รหัส] |
การปรับแต่งพร้อมรับคำแบบรวมศูนย์สำหรับการเรียนรู้การทำงานร่วมกันแบบหลายโดเมน | เอฟดียู | AAAI | 2024 | [ผับ] [หน้า] [PDF] [รหัส] |
การเรียนรู้แบบสหพันธ์ยุติธรรมหลายมิติ | มศว | AAAI | 2024 | [ผับ] [หน้า] [PDF] |
HiFi-Gas: กลไกแรงจูงใจการเรียนรู้แบบสมาพันธ์แบบลำดับชั้นเพิ่มประสิทธิภาพการประมาณการใช้ก๊าซ | เอ็นเอ็น กรุ๊ป | AAAI | 2024 | [ผับ] |
เกี่ยวกับบทบาทของโมเมนตัมของเซิร์ฟเวอร์ในการเรียนรู้แบบสหพันธรัฐ | มหาวิทยาลัยเวอร์จิเนีย | AAAI | 2024 | [ผับ] [PDF] |
FedCompetitors: การทำงานร่วมกันอย่างกลมกลืนในการเรียนรู้แบบสหพันธรัฐกับผู้เข้าร่วมที่แข่งขันกัน | บัต | AAAI | 2024 | [ผับ] [หน้า] [PDF] |
z-SignFedAvg: การบีบอัดสัญญาณ Stochastic แบบรวมศูนย์สำหรับการเรียนรู้แบบรวมศูนย์ | ซียูเอชเค; สถาบันวิจัยบิ๊กดาต้าแห่งประเทศจีนเซินเจิ้น | AAAI | 2024 | [ผับ] [หน้า] [PDF] |
ความไม่เท่าเทียมกันของข้อมูลและความไม่พร้อมใช้งานชั่วคราว Aware Asynchronous Federated Learning สำหรับการบำรุงรักษาเชิงคาดการณ์บนกองยานพาหนะขนส่ง | โฟล์คสวาเกน กรุ๊ป | AAAI | 2024 | [ผับ] [หน้า] |
การเรียนรู้กราฟแบบสหพันธ์ภายใต้การเปลี่ยนแปลงโดเมนพร้อมต้นแบบทั่วไป | WHU | AAAI | 2024 | [ผับ] [หน้า] |
TurboSVM-FL: ส่งเสริมการเรียนรู้แบบรวมศูนย์ผ่าน SVM Aggregation สำหรับลูกค้า Lazy | มหาวิทยาลัยเทคนิคแห่งมิวนิก | AAAI | 2024 | [ผับ] [หน้า] [PDF] [รหัส] |
การลดความคลาดเคลื่อนของการไล่ระดับการทำงานร่วมกันแบบหลายแหล่งสำหรับการรวมโดเมนแบบรวมศูนย์ | ทีจู | AAAI | 2024 | [ผับ] [PDF] [รหัส] |
การปกปิดตัวอย่างที่ละเอียดอ่อนเพื่อป้องกันการรั่วไหลของไล่ระดับสีในการเรียนรู้แบบสหพันธรัฐ | มหาวิทยาลัยโมนาช | AAAI | 2024 | [ผับ] [หน้า] [PDF] [รหัส] |
FedA3I: การรวมการรับรู้คุณภาพคำอธิบายประกอบสำหรับการแบ่งส่วนภาพทางการแพทย์แบบรวมศูนย์เทียบกับสัญญาณรบกวนคำอธิบายประกอบที่ต่างกัน | ฮัส | AAAI | 2024 | [ผับ] [หน้า] [PDF] [รหัส] |
การเรียนรู้เชิงสาเหตุแบบสหพันธรัฐพร้อมการปรับให้เหมาะสมที่อธิบายได้ | มศว | AAAI | 2024 | [ผับ] [หน้า] [PDF] |
โจรเรียงซ้อนตามบริบทแบบรวมศูนย์พร้อมการสื่อสารแบบอะซิงโครนัสและผู้ใช้ที่แตกต่างกัน | USTC | AAAI | 2024 | [ผับ] [หน้า] [PDF] |
สำรวจการเรียนรู้แบบสหพันธรัฐแบบกึ่งควบคุมด้วย One-Shot ด้วยโมเดลการแพร่กระจายที่ได้รับการฝึกอบรมล่วงหน้า | เอฟดียู | AAAI | 2024 | [ผับ] [PDF] |
ความหลากหลาย-ความถูกต้อง รูปแบบที่จำกัดร่วมกันสำหรับลักษณะทั่วไปของโดเมนแบบรวมศูนย์ในการระบุตัวตนบุคคลอีกครั้ง | เอ็กซ์เอ็มยู; มหาวิทยาลัยเทรนโต | AAAI | 2024 | [ผับ] [หน้า] |
PerFedRLNAS: การค้นหาสถาปัตยกรรม Federated Neural ส่วนบุคคลแบบหนึ่งเดียวสำหรับทั้งหมด | คุณของ T | AAAI | 2024 | [ผับ] [หน้า] |
การเรียนรู้แบบรวมศูนย์แบบอะซิงโครนัสที่มีประสิทธิภาพพร้อมการรวมโมเมนตัมที่คาดหวังและการแก้ไขแบบละเอียด | บัต | AAAI | 2024 | [ผับ] [หน้า] |
การโจมตีของฝ่ายตรงข้ามกับอัลกอริธึมบิตเรตแบบอะแดปทีฟที่เรียนรู้จากส่วนกลาง | มข | AAAI | 2024 | [ผับ] |
FedTGP: ต้นแบบระดับโลกที่สามารถฝึกอบรมได้พร้อมการเรียนรู้เชิงเปรียบเทียบที่ปรับปรุงและปรับระยะขอบได้สำหรับข้อมูลและแบบจำลองความหลากหลายในการเรียนรู้แบบสหพันธรัฐ | สจธ | AAAI | 2024 | [ผับ] [หน้า] [PDF] [รหัส] |
LR-XFL: การเรียนรู้แบบสมาพันธ์ที่ใช้เหตุผลเชิงตรรกะที่อธิบายได้ | นทียู | AAAI | 2024 | [ผับ] [PDF] [รหัส] |
แนวทางการลดการสูญเสียของ Huber เพื่อการเรียนรู้แบบสหพันธรัฐ Byzantine Robust | เจ้อเจียงแล็บ | AAAI | 2024 | [ผับ] [หน้า] [PDF] |
การฝึกสอนพารามิเตอร์แบบรอบรู้เพื่อการเรียนรู้แบบสมาพันธ์เฉพาะบุคคล | มหาวิทยาลัยภาคตะวันออกเฉียงเหนือ | AAAI | 2024 | [ผับ] [หน้า] |
การเรียนรู้ฉลากและเสียงรบกวนแบบสหพันธรัฐด้วยการปรับมาตรฐานผลิตภัณฑ์ที่หลากหลายในท้องถิ่น | สจธ | AAAI | 2024 | [ผับ] [หน้า] [จัดหา] |
การปรับเปลี่ยนการรวมกลุ่มแบบถ่วงน้ำหนักในการเรียนรู้แบบสหพันธรัฐ (บทคัดย่อของนักเรียน) | ยูบีซี | AAAI | 2024 | [ผับ] |
การถ่ายทอดความรู้ผ่านโมเดลกระชับในการเรียนรู้แบบสหพันธรัฐ (บทคัดย่อนักศึกษา) | มหาวิทยาลัยซิดนีย์ | AAAI | 2024 | [ผับ] [หน้า] |
PICSR: เราเตอร์ข้ามไซโลที่ได้รับข้อมูลต้นแบบสำหรับการเรียนรู้แบบสหพันธรัฐ (บทคัดย่อของนักเรียน) | มหาวิทยาลัยแห่งรัฐโอไฮโอ Auton Lab, CMU | AAAI | 2024 | [ผับ] [หน้า] |
เครือข่ายกราฟ Convolution ที่รักษาความเป็นส่วนตัวสำหรับการแนะนำรายการแบบรวมศูนย์ | สซู | AI | 2023 | [ผับ] |
Win-Win: กรอบงานแบบรวมศูนย์ที่รักษาความเป็นส่วนตัวสำหรับการแนะนำข้ามโดเมนแบบสองเป้าหมาย | CAS; ยูซีเอเอส; เจดีเทคโนโลยี; การวิจัยเมืองอัจฉริยะของ JD | AAAI | 2023 | [ผับ] |
การโจมตีที่ไม่ตรงเป้าหมายต่อระบบการแนะนำแบบรวมศูนย์ผ่านการฝังไอเท็มพิษและการป้องกัน | USTC; ห้องปฏิบัติการหลักของหน่วยสืบราชการลับทางปัญญา | AAAI | 2023 | [ผับ] [PDF] [รหัส] |
Federated Crowdsourcing ที่กระตุ้นด้วยสิ่งจูงใจ | มศว | AAAI | 2023 | [ผับ] [PDF] |
การจัดการกับความหลากหลายของข้อมูลในการเรียนรู้แบบสมาพันธ์ด้วยต้นแบบชั้นเรียน | มหาวิทยาลัยลีไฮ | AAAI | 2023 | [ผับ] [PDF] [รหัส] |
FairFed: การเปิดใช้งานความเป็นธรรมของกลุ่มในการเรียนรู้แบบสหพันธรัฐ | ยูเอสซี | AAAI | 2023 | [PUB] [PDF] [解读] |
การขยายพันธุ์ความแข็งแกร่งแบบสหพันธรัฐ: แบ่งปันความแข็งแกร่งของฝ่ายตรงข้ามในการเรียนรู้แบบสหพันธรัฐที่แตกต่างกัน | มศว | AAAI | 2023 | [ผับ] |
การแยกส่วนเสริม: การตัดแต่งโมเดลค่าใช้จ่ายต่ำเพื่อการเรียนรู้แบบสหพันธรัฐ | นจิต | AAAI | 2023 | [ผับ] |
การสื่อสารที่แทบจะไม่มีค่าใช้จ่ายในการระบุแขนแบบรวมศูนย์ที่ดีที่สุด | มหาวิทยาลัยสงขลานครินทร์ | AAAI | 2023 | [ผับ] [PDF] |
การรวมโมเดลการปรับตัวแบบเลเยอร์ที่ชาญฉลาดสำหรับการเรียนรู้แบบสมาพันธ์ที่ปรับขนาดได้ | มหาวิทยาลัยเซาเทิร์นแคลิฟอร์เนีย มหาวิทยาลัยอินฮา | AAAI | 2023 | [ผับ] [PDF] |
พิษจากเซอร์เบอรัส: การโจมตีลับๆ ที่ซ่อนเร้นและสมรู้ร่วมคิดต่อการเรียนรู้แบบสหพันธรัฐ | บีทียู | AAAI | 2023 | [ผับ] |
FedMDFG: การเรียนรู้แบบสมาพันธ์พร้อมการสืบทอดหลายระดับและการชี้แนะที่ยุติธรรม | ซียูเอชเค; สถาบันปัญญาประดิษฐ์และหุ่นยนต์เพื่อสังคมแห่งเซินเจิ้น | AAAI | 2023 | [ผับ] |
การรักษาความปลอดภัยการรวมกลุ่มที่ปลอดภัย: ลดการรั่วไหลของความเป็นส่วนตัวหลายรอบในการเรียนรู้แบบสหพันธรัฐ | ยูเอสซี | AAAI | 2023 | [ผับ] [PDF] [วิดีโอ] [รหัส] |
การเรียนรู้แบบสมาพันธ์บนกราฟที่ไม่ใช่ IID ผ่านการแบ่งปันความรู้เชิงโครงสร้าง | มหาวิทยาลัยสงขลานครินทร์ | AAAI | 2023 | [ผับ] [PDF] [รหัส] |
การระบุความคล้ายคลึงกันของการกระจายที่มีประสิทธิภาพในการเรียนรู้แบบรวมกลุ่มผ่านมุมหลักระหว่างพื้นที่ย่อยข้อมูลลูกค้า | ยูซีเอสดี | AAAI | 2023 | [ผับ] [PDF] [รหัส] |
FedABC: การกำหนดเป้าหมายการแข่งขันที่ยุติธรรมในการเรียนรู้แบบสหพันธรัฐส่วนบุคคล | WHU; ห้องปฏิบัติการหูเป่ย Luojia; JD สำรวจสถาบันการศึกษา | AAAI | 2023 | [ผับ] [PDF] |
นอกเหนือจาก ADMM: กรอบการเรียนรู้แบบรวมศูนย์แบบรวมศูนย์ที่ลดความแปรปรวนไคลเอ็นต์แบบรวม | ศจ | AAAI | 2023 | [ผับ] [PDF] |
FedGS: การสุ่มตัวอย่างตามกราฟแบบรวมศูนย์พร้อมความพร้อมใช้งานของไคลเอ็นต์ตามอำเภอใจ | เอ็กซ์เอ็มยู | AAAI | 2023 | [ผับ] [PDF] [รหัส] |
การเรียนรู้แบบรวมศูนย์แบบปรับเปลี่ยนได้รวดเร็วยิ่งขึ้น | มหาวิทยาลัยพิตส์เบิร์ก | AAAI | 2023 | [ผับ] [PDF] |
FedNP: สู่การเรียนรู้แบบสหพันธรัฐที่ไม่ใช่ IID ผ่านการขยายพันธุ์ประสาทแบบสหพันธรัฐ | กุส | AAAI | 2023 | [PUB] [รหัส] [วิดีโอ] [SUPP] |
การจับคู่ Neural แบบสหพันธรัฐแบบเบย์ที่กรอกข้อมูลทั้งหมดให้ครบถ้วน | ทีจู | AAAI | 2023 | [ผับ] [PDF] |
CDMA: อัลกอริธึมการเรียนรู้แบบรวมศูนย์ข้ามอุปกรณ์ที่ใช้งานได้จริงสำหรับปัญหา Minimax ทั่วไป | จจู | AAAI | 2023 | [ผับ] [PDF] [รหัส] |
โมเดลการสร้างแบบรวมศูนย์เกี่ยวกับข้อมูลที่แตกต่างกันหลายแหล่งใน IoT | มส | AAAI | 2023 | [ผับ] |
DeFL: การป้องกันการโจมตีแบบเป็นพิษในการเรียนรู้แบบสหพันธรัฐผ่านการรับรู้ช่วงเวลาการเรียนรู้ที่สำคัญ | SUNY-มหาวิทยาลัยบิงแฮมตัน | AAAI | 2023 | [ผับ] |
FedALA: การรวมกลุ่มในท้องถิ่นแบบปรับเปลี่ยนได้เพื่อการเรียนรู้แบบสหพันธรัฐส่วนบุคคล | สจธ | AAAI | 2023 | [ผับ] [PDF] [รหัส] |
เจาะลึกความแข็งแกร่งของการเรียนรู้แบบสหพันธรัฐ | จจู | AAAI | 2023 | [ผับ] [PDF] |
เกี่ยวกับช่องโหว่ของการป้องกันแบ็คดอร์สำหรับการเรียนรู้แบบสหพันธรัฐ | ทีจู | AAAI | 2023 | [ผับ] [PDF] [รหัส] |
เสียงสะท้อนของเพื่อนบ้าน: การขยายความเป็นส่วนตัวสำหรับการเรียนรู้แบบสมาพันธ์ส่วนตัวแบบส่วนตัวด้วยโมเดลแบบสุ่ม | อาร์ยูซี; ศูนย์วิจัยวิศวกรรมกระทรวงศึกษาธิการด้านฐานข้อมูลและ BI | AAAI | 2023 | [ผับ] [PDF] |
DPAUC: การคำนวณ AUC ส่วนตัวที่แตกต่างในการเรียนรู้แบบสหพันธรัฐ | ByteDance อิงค์ | เพลงพิเศษ AAAI | 2023 | [ผับ] [PDF] [รหัส] |
การฝึกอบรมที่มีประสิทธิภาพสำหรับแบบจำลองการวินิจฉัยข้อผิดพลาดทางอุตสาหกรรมขนาดใหญ่ผ่านการเลิกบล็อกฉวยโอกาสแบบรวมศูนย์ | นทียู | โปรแกรมพิเศษของ AAAI | 2023 | [ผับ] [PDF] |
การเรียนรู้แบบสหพันธรัฐที่จัดทำขึ้นในระดับอุตสาหกรรมเพื่อการค้นคว้ายา | เคยู เลอเวน | โปรแกรมพิเศษของ AAAI | 2023 | [ผับ] [PDF] [วิดีโอ] |
เครื่องมือติดตามการเรียนรู้แบบสหพันธรัฐสำหรับการจำลองรถยนต์ไร้คนขับ (บทคัดย่อของนักเรียน) | ซีเอ็นยู | โปรแกรมพิเศษ AAAI | 2023 | [ผับ] |
MGIA: การโจมตีแบบผกผันไล่ระดับร่วมกันในการเรียนรู้แบบสหพันธรัฐหลายรูปแบบ (บทคัดย่อของนักเรียน) | โพลียู | โปรแกรมพิเศษของ AAAI | 2023 | [ผับ] |
การเรียนรู้แบบรวมกลุ่มแบบรวมกลุ่มสำหรับข้อมูลที่แตกต่างกัน (บทคัดย่อของนักเรียน) | อาร์ยูซี | โปรแกรมพิเศษของ AAAI | 2023 | [ผับ] |
FedSampling: กลยุทธ์การสุ่มตัวอย่างที่ดีกว่าสำหรับการเรียนรู้แบบสมาพันธ์ | พฤ | อิจซี | 2023 | [ผับ] [PDF] [รหัส] |
HyperFed: การสำรวจต้นแบบไฮเปอร์โบลิกพร้อมการรวมกลุ่มที่สอดคล้องกันสำหรับข้อมูลที่ไม่ใช่ IID ในการเรียนรู้แบบสหพันธรัฐ | จจู | อิจซี | 2023 | [ผับ] [PDF] |
FedOBD: การออกจากบล็อกแบบฉวยโอกาสเพื่อการฝึกอบรมโครงข่ายประสาทเทียมขนาดใหญ่อย่างมีประสิทธิภาพผ่านการเรียนรู้แบบสหพันธรัฐ | นทียู | อิจซี | 2023 | [ผับ] [PDF] [รหัส] |
การสร้างแบบจำลองการกระจายการตั้งค่าความน่าจะเป็นแบบรวมศูนย์พร้อมการรวมกลุ่มแบบกะทัดรัดเพื่อคำแนะนำแบบหลายโดเมนที่รักษาความเป็นส่วนตัว | จจู | อิจซี | 2023 | [ผับ] |
การเรียนรู้ความหมายและโครงสร้างกราฟแบบสหพันธ์ | WHU | อิจซี | 2023 | [ผับ] |
BARA: กลไกสิ่งจูงใจที่มีประสิทธิภาพพร้อมการจัดสรรงบประมาณรางวัลออนไลน์ในการเรียนรู้แบบสหพันธรัฐข้ามไซโล | ซีซู่ | อิจซี | 2023 | [ผับ] [PDF] |
FedDWA: การเรียนรู้แบบสมาพันธ์ส่วนบุคคลพร้อมการปรับน้ำหนักแบบไดนามิก | ซีซู่ | อิจซี | 2023 | [ผับ] [PDF] |
FedPass: การเรียนรู้เชิงลึกแบบรวมศูนย์ในแนวตั้งที่รักษาความเป็นส่วนตัวด้วย Adaptive Obfuscation | วีแบงก์ | อิจซี | 2023 | [ผับ] [PDF] |
ตัวเข้ารหัสอัตโนมัติกราฟแบบรวมศูนย์ที่สอดคล้องกันทั่วโลกสำหรับกราฟที่ไม่ใช่ IID | ฟซู | อิจซี | 2023 | [ผับ] [รหัส] |
การเรียนรู้การเสริมกำลังหลายตัวแทนแบบแข่งขันและความร่วมมือเพื่อการเรียนรู้แบบสหพันธรัฐแบบการประมูล | นทียู | อิจซี | 2023 | [ผับ] |
การปรับเปลี่ยนในแบบของคุณแบบคู่ในคำแนะนำแบบรวมศูนย์ | เจแอลยู; มหาวิทยาลัยเทคโนโลยีซิดนีย์ | อิจซี | 2023 | [ผับ] [PDF] [รหัส] |
FedNoRo: สู่การเรียนรู้แบบสหพันธรัฐที่มีเสียงรบกวนโดยจัดการกับความไม่สมดุลของชั้นเรียนและความแตกต่างของสัญญาณรบกวน | ฮัส | อิจซี | 2023 | [ผับ] [PDF] [รหัส] |
การปฏิเสธการให้บริการหรือการควบคุมแบบละเอียด: สู่การโจมตีแบบเป็นพิษต่อการเรียนรู้แบบสหพันธรัฐที่ยืดหยุ่น | มหาวิทยาลัยเซียงถัน | อิจซี | 2023 | [ผับ] [PDF] [รหัส] |
FedHGN: กรอบงานแบบรวมศูนย์สำหรับโครงข่ายประสาทเทียมแบบกราฟต่างกัน | คยูเอชเค | อิจซี | 2023 | [ผับ] [PDF] [รหัส] |
FedET: กรอบการเรียนรู้แบบเพิ่มหน่วยแบบชั้นเรียนแบบรวมศูนย์ที่มีประสิทธิภาพในการสื่อสารโดยอิงจากหม้อแปลงที่ได้รับการปรับปรุง | เทคโนโลยีปิงอัน; พฤ | อิจซี | 2023 | [ผับ] [PDF] |
การเรียนรู้แบบสหพันธรัฐที่รวดเร็วสำหรับการพยากรณ์อากาศ: สู่แบบจำลองพื้นฐานเกี่ยวกับข้อมูลอุตุนิยมวิทยา | มหาวิทยาลัยสงขลานครินทร์ | อิจซี | 2023 | [ผับ] [PDF] [รหัส] |
FedBFPT: กรอบการเรียนรู้แบบสหพันธ์ที่มีประสิทธิภาพสำหรับการฝึกอบรมล่วงหน้าของ Bert เพิ่มเติม | จจู | อิจซี | 2023 | [ผับ] [รหัส] |
การเรียนรู้แบบสหพันธรัฐแบบเบย์: แบบสำรวจ | เส้นทางการสำรวจ IJCAI | 2023 | [ไฟล์ PDF] | |
แบบสำรวจการประเมินแบบสหพันธ์ในการเรียนรู้แบบสหพันธ์ | มหาวิทยาลัยแมคควารี | เส้นทางการสำรวจ IJCAI | 2023 | [ผับ] [PDF] |
SAMBA: กรอบงานทั่วไปสำหรับโจรหลายอาวุธแบบรวมศูนย์ที่ปลอดภัย (บทคัดย่อเพิ่มเติม) | INSA เซ็นเตอร์ วาลเดอลัวร์ | ติดตามวารสาร IJCAI | 2023 | [ผับ] |
ต้นทุนการสื่อสารด้านความปลอดภัยและความเป็นส่วนตัวในการประมาณความถี่แบบรวมศูนย์ | สแตนฟอร์ด | ไอสตัทส์ | 2023 | [ผับ] [รหัส] |
การเรียนรู้แบบรวมศูนย์ที่มีประสิทธิภาพและมีน้ำหนักเบาผ่าน Asynchronous Distributed Dropout | มหาวิทยาลัยไรซ์ | ไอสตัทส์ | 2023 | [ผับ] [รหัส] |
การเรียนรู้แบบสมาพันธ์ภายใต้แนวคิดแบบกระจาย | มช | ไอสตัทส์ | 2023 | [ผับ] [รหัส] |
การระบุลักษณะการโจมตีแบบหลบเลี่ยงภายในในการเรียนรู้แบบสหพันธรัฐ | มช | ไอสตัทส์ | 2023 | [ผับ] [รหัส] |
Federated Asymptotics: แบบจำลองเพื่อเปรียบเทียบอัลกอริธึมการเรียนรู้แบบรวมศูนย์ | สแตนฟอร์ด | ไอสตัทส์ | 2023 | [ผับ] [รหัส] |
การเรียนรู้แบบรวมศูนย์แบบไม่นูนแบบส่วนตัวโดยไม่มีเซิร์ฟเวอร์ที่เชื่อถือได้ | ยูเอสซี | ไอสตัทส์ | 2023 | [ผับ] [รหัส] |
การเรียนรู้แบบรวมศูนย์สำหรับสตรีมข้อมูล | มหาวิทยาลัย ́ e Cˆ ote d'Azur | ไอสตัทส์ | 2023 | [ผับ] [รหัส] |
ไม่มีอะไรนอกจากความเสียใจ - การค้นพบสาเหตุแบบสหพันธรัฐที่รักษาความเป็นส่วนตัว | ศูนย์ Helmholtz เพื่อความปลอดภัยของข้อมูล | ไอสตัทส์ | 2023 | [ผับ] [รหัส] |
การโจมตีการอนุมานสมาชิกที่ใช้งานอยู่ภายใต้ความเป็นส่วนตัวที่แตกต่างในท้องถิ่นในการเรียนรู้แบบสหพันธรัฐ | ยูเอฟแอล | ไอสตัทส์ | 2023 | [ผับ] [รหัส] |
Federated Averaging Langevin Dynamics: สู่ทฤษฎีที่เป็นหนึ่งเดียวและอัลกอริธึมใหม่ | ซีแมป | ไอสตัทส์ | 2023 | [ผับ] |
การเรียนรู้แบบรวมศูนย์แบบ Byzantine-Robust พร้อมอัตราทางสถิติที่เหมาะสมที่สุด | ยูซี เบิร์กลีย์ | ไอสตัทส์ | 2023 | [ผับ] [รหัส] |
การเรียนรู้แบบสมาพันธ์บนกราฟที่ไม่ใช่ IID ผ่านการแบ่งปันความรู้เชิงโครงสร้าง | มหาวิทยาลัยสงขลานครินทร์ | AAAI | 2023 | [PDF] [รหัส] |
FedGS: การสุ่มตัวอย่างตามกราฟแบบรวมศูนย์พร้อมความพร้อมใช้งานของไคลเอ็นต์ตามอำเภอใจ | เอ็กซ์เอ็มยู | AAAI | 2023 | [PDF] [รหัส] |
Federated Crowdsourcing ที่กระตุ้นแรงจูงใจ | มศว | AAAI | 2023 | [ไฟล์ PDF] |
สู่การทำความเข้าใจการเลือกลูกค้าที่มีอคติในการเรียนรู้แบบสหพันธรัฐ | มช | ไอสตัทส์ | 2022 | [ผับ] [รหัส] |
FLIX: ทางเลือกที่เรียบง่ายและมีประสิทธิภาพในการสื่อสารแทนวิธีการท้องถิ่นในการเรียนรู้แบบสหพันธรัฐ | คาสท์ | ไอสตัทส์ | 2022 | [ผับ] [PDF] [รหัส] |
ขอบเขตที่คมชัดสำหรับค่าเฉลี่ยแบบสหพันธรัฐ (SGD ท้องถิ่น) และมุมมองต่อเนื่อง | สแตนฟอร์ด | ไอสตัทส์ | 2022 | [ผับ] [PDF] [รหัส] |
การเรียนรู้การเสริมกำลังแบบสหพันธ์กับความหลากหลายของสภาพแวดล้อม | พีเคยู | ไอสตัทส์ | 2022 | [ผับ] [PDF] [รหัส] |
การตรวจจับชุมชนสายตาสั้นแบบสหพันธรัฐด้วยการสื่อสารแบบ One-shot | เพอร์ดู | ไอสตัส | 2022 | [ผับ] [PDF] |
อัลกอริธึมแบบอะซิงโครนัส Upper Confidence Bound สำหรับ Federated Linear Bandits | มหาวิทยาลัยเวอร์จิเนีย | ไอสตัทส์ | 2022 | [ผับ] [PDF] [รหัส] |
สู่การเรียนรู้โครงสร้างเครือข่าย Bayesian แบบสหพันธรัฐด้วยการเพิ่มประสิทธิภาพอย่างต่อเนื่อง | มช | ไอสตัทส์ | 2022 | [Pub] [PDF] [รหัส] |
การเรียนรู้แบบรวมกับการรวมตัวแบบอะซิงโครนัสบัฟเฟอร์ | เมตาเอไอ | aistats | 2022 | [Pub] [PDF] [วิดีโอ] |
การเรียนรู้แบบสหพันธรัฐส่วนตัวที่แตกต่างกันเกี่ยวกับข้อมูลที่แตกต่างกัน | สแตนฟอร์ด | aistats | 2022 | [Pub] [PDF] [รหัส] |
กระจัดกระจาย: บรรเทาการโจมตีแบบจำลองการโจมตีในการเรียนรู้แบบสหพันธรัฐด้วย sparsification | ปรินซ์ตัน | aistats | 2022 | [Pub] [PDF] [รหัส] [วิดีโอ] |
เรื่องพื้นฐาน: วิธีการสั่งซื้อที่ดีขึ้นอย่างมีประสิทธิภาพที่ดีขึ้นสำหรับการเรียนรู้แบบสหพันธรัฐ | Kaust | aistats | 2022 | [Pub] [PDF] |
การเพิ่มความลาดชันของการทำงานแบบสหพันธรัฐ | มหาวิทยาลัยเพนซิลเวเนีย | aistats | 2022 | [Pub] [PDF] [รหัส] |
QLSD: Langevin Stochastic Dynamics เชิงปริมาณสำหรับการเรียนรู้แบบสหพันธรัฐแบบเบย์ | Criteo Ai Lab | aistats | 2022 | [Pub] [PDF] [รหัส] [วิดีโอ] |
การคาดการณ์ความรู้ที่ใช้ Meta-Learning สำหรับกราฟความรู้ในการตั้งค่า kg. | zju | ijcai | 2022 | [Pub] [PDF] [รหัส] |
การเรียนรู้แบบรวมเป็นส่วนบุคคลด้วยกราฟ | uts | ijcai | 2022 | [Pub] [PDF] [รหัส] |
เครือข่ายประสาทกราฟแบบสหพันธรัฐในแนวตั้งสำหรับการจำแนกโหนดการรักษาความเป็นส่วนตัว | zju | ijcai | 2022 | [Pub] [PDF] |
ปรับให้เข้ากับการปรับตัว: การเรียนรู้ส่วนบุคคลสำหรับการเรียนรู้แบบสหพันธรัฐข้าม Silo | ijcai | 2022 | [Pub] [PDF] [รหัส] | |
การถ่ายโอนความรู้ทั้งหมดที่แตกต่างกันสำหรับการฝึกอบรมแบบจำลองขนาดใหญ่ในการเรียนรู้แบบสหพันธรัฐ | ijcai | 2022 | [Pub] [PDF] | |
การเรียนรู้แบบสหพันธรัฐกึ่งส่วนตัว | ijcai | 2022 | [ผับ] | |
การเรียนรู้แบบสหพันธรัฐอย่างต่อเนื่องขึ้นอยู่กับการกลั่นความรู้ | ijcai | 2022 | [ผับ] | |
การเรียนรู้แบบสหพันธรัฐเกี่ยวกับข้อมูลที่ต่างกันและหางยาวผ่านการฝึกอบรมตัวแยกประเภทใหม่ด้วยคุณสมบัติที่เป็นสหพันธรัฐ | ijcai | 2022 | [Pub] [PDF] [รหัส] | |
ความสนใจแบบหลายงานสำหรับการรับรู้กิจกรรมของมนุษย์ข้ามบุคคล | ijcai | 2022 | [ผับ] | |
การเรียนรู้แบบสหพันธรัฐส่วนบุคคลที่มีลักษณะทั่วไปตามบริบท | ijcai | 2022 | [Pub] [PDF] | |
การป้องกันการเรียนรู้แบบสหพันธรัฐ: การรวมตัวที่แข็งแกร่งด้วยการเลือกลูกค้าแบบปรับตัว | ijcai | 2022 | [Pub] [PDF] | |
FedCG: ใช้ประโยชน์จากเงื่อนไข GAN เพื่อปกป้องความเป็นส่วนตัวและรักษาประสิทธิภาพการแข่งขันในการเรียนรู้แบบสหพันธรัฐ | ijcai | 2022 | [Pub] [PDF] [รหัส] | |
FedDuap: การเรียนรู้แบบรวมด้วยการอัปเดตแบบไดนามิกและการตัดแต่งกิ่งแบบปรับตัวโดยใช้ข้อมูลที่ใช้ร่วมกันบนเซิร์ฟเวอร์ | ijcai | 2022 | [Pub] [PDF] | |
สู่ surv. เรียนรู้ที่ได้รับการตรวจสอบความอยู่รอดของสหพันธรัฐ | ijcai | 2022 | [Pub] [PDF] | |
Harmofl: ประสานกันในระดับท้องถิ่นและระดับโลกในการเรียนรู้แบบสหพันธรัฐเกี่ยวกับภาพทางการแพทย์ที่ต่างกัน | Cuhk; Buaa | ไจ่ | 2022 | [Pub] [PDF] [รหัส] [解读] |
การเรียนรู้แบบสหพันธรัฐสำหรับการจดจำใบหน้าด้วยการแก้ไขการไล่ระดับสี | ป่น | ไจ่ | 2022 | [Pub] [PDF] |
Spreadgnn: การเรียนรู้แบบหลายงานแบบกระจายการเรียนรู้แบบสหพันธรัฐสำหรับเครือข่ายประสาทของกราฟบนข้อมูลโมเลกุล | USC | ไจ่ | 2022 | [Pub] [PDF] [รหัส] [解读] |
SmartIdx: การลดค่าใช้จ่ายในการสื่อสารในการเรียนรู้แบบรวมโดยใช้ประโยชน์จากโครงสร้าง CNNS | ตี; PCL | ไจ่ | 2022 | [ผับ] [รหัส] |
การเชื่อมโยงระหว่างสัญญาณการประมวลผลทางปัญญาและคุณสมบัติทางภาษาศาสตร์ผ่านเครือข่ายแบบครบวงจร | TJU | ไจ่ | 2022 | [Pub] [PDF] |
การยึดช่วงเวลาการเรียนรู้ที่สำคัญในการเรียนรู้แบบสหพันธรัฐ | มหาวิทยาลัย SUNY-BINGHAMTON | ไจ่ | 2022 | [Pub] [PDF] |
การประสานงานโมเมนต์สำหรับการเรียนรู้ข้าม Silo Federated | มหาวิทยาลัยพิตต์สเบิร์ก | ไจ่ | 2022 | [Pub] [PDF] |
FedProto: การเรียนรู้ต้นแบบแบบรวมกับอุปกรณ์ต่างกัน | uts | ไจ่ | 2022 | [Pub] [PDF] [รหัส] |
Fedsoft: การเรียนรู้แบบรวมกลุ่มแบบกลุ่มที่มีการอัปเดตในท้องถิ่นใกล้เคียง | CMU | ไจ่ | 2022 | [Pub] [PDF] [รหัส] |
การฝึกอบรมแบบกระจัดกระจายแบบไดนามิกแบบสหพันธรัฐ: การคำนวณน้อยลงสื่อสารน้อยลง แต่เรียนรู้ได้ดีขึ้น | มหาวิทยาลัยเท็กซัสที่ออสติน | ไจ่ | 2022 | [Pub] [PDF] [รหัส] |
FedFR: การเพิ่มประสิทธิภาพร่วมกันเฟรมเวิร์กที่รวมกันสำหรับการจดจำใบหน้าทั่วไปและส่วนบุคคล | มหาวิทยาลัยแห่งชาติไต้หวัน | ไจ่ | 2022 | [Pub] [PDF] [รหัส] |
Splitfed: เมื่อการเรียนรู้แบบสหพันธรัฐตรงกับการเรียนรู้แบบแยกส่วน | CSIRO | ไจ่ | 2022 | [Pub] [PDF] [รหัส] |
การจัดตารางอุปกรณ์ที่มีประสิทธิภาพด้วยการเรียนรู้แบบรวมหลายงาน | มหาวิทยาลัย Soochow | ไจ่ | 2022 | [Pub] [PDF] |
การจัดแนวการไล่ระดับสีโดยนัยในการเรียนรู้แบบกระจายและสหพันธรัฐ | IIT Kanpur | ไจ่ | 2022 | [Pub] [PDF] |
การจัดหมวดหมู่เพื่อนบ้านที่ใกล้ที่สุดด้วยอาณานิคมของไม้ผลไม้ | IBM Research | ไจ่ | 2022 | [Pub] [PDF] [รหัส] |
ฟิลด์เวกเตอร์ซ้ำและการอนุรักษ์ด้วยการใช้งานเพื่อการเรียนรู้แบบรวม | Alt | 2022 | [Pub] [PDF] | |
การเรียนรู้แบบสหพันธรัฐด้วยความเป็นส่วนตัวที่ขยายการขยายและการปรับให้เหมาะสมแบบปรับตัว | ijcai | 2021 | [Pub] [PDF] [วิดีโอ] | |
การกระจายพฤติกรรมเลียนแบบ: การรวมพฤติกรรมส่วนบุคคลและกลุ่มสำหรับการเรียนรู้แบบสหพันธรัฐ | ijcai | 2021 | [Pub] [PDF] | |
Fedspeech: federated text-to-speech กับการเรียนรู้อย่างต่อเนื่อง | ijcai | 2021 | [Pub] [PDF] | |
การเรียนรู้แบบสหพันธรัฐหนึ่งนัดสำหรับการตั้งค่า Cross-Silo | ijcai | 2021 | [Pub] [PDF] [รหัส] | |
การกลั่นแบบจำลองแบบสหพันธรัฐพร้อมความเป็นส่วนตัวที่ไม่มีเสียงรบกวน | ijcai | 2021 | [Pub] [PDF] [วิดีโอ] | |
LDP-FL: การรวมภาคเอกชนในทางปฏิบัติในการเรียนรู้แบบสหพันธรัฐด้วยความเป็นส่วนตัวที่แตกต่างในท้องถิ่น | ijcai | 2021 | [Pub] [PDF] | |
การเรียนรู้แบบรวมด้วยค่าเฉลี่ยที่เป็นธรรม | ijcai | 2021 | [Pub] [PDF] [รหัส] | |
H-FL: สถาปัตยกรรมการสื่อสารแบบลำดับชั้นและสถาปัตยกรรมที่มีการป้องกันความเป็นส่วนตัวสำหรับการเรียนรู้แบบสหพันธรัฐ | ijcai | 2021 | [Pub] [PDF] | |
การสื่อสารที่มีประสิทธิภาพการสื่อสารและการกระจายอำนาจแบบแยกส่วนที่ปรับขนาดได้ | ijcai | 2021 | [ผับ] | |
Secure Bilevel Asynchronous Federated Learning พร้อมการอัปเดตย้อนหลัง | มหาวิทยาลัย Xidian; JD Tech | ไจ่ | 2021 | [Pub] [PDF] [วิดีโอ] |
FedRec ++: คำแนะนำที่ไม่ได้รับความเสียหายพร้อมข้อเสนอแนะที่ชัดเจน | Szu | ไจ่ | 2021 | [ผับ] [วิดีโอ] |
โจรที่มีอาวุธหลายอาวุธ | มหาวิทยาลัยเวอร์จิเนีย | ไจ่ | 2021 | [Pub] [PDF] [รหัส] [วิดีโอ] |
ในการบรรจบกันของ SGD ท้องถิ่นที่มีประสิทธิภาพในการสื่อสารสำหรับการเรียนรู้แบบสหพันธรัฐ | Temple University; มหาวิทยาลัยพิตต์สเบิร์ก | ไจ่ | 2021 | [ผับ] [วิดีโอ] |
Flame: การเรียนรู้แบบรวมส่วนตัวที่แตกต่างกันในรูปแบบการสับเปลี่ยน | มหาวิทยาลัย Renmin แห่งประเทศจีน; มหาวิทยาลัยเกียวโต | ไจ่ | 2021 | [Pub] [PDF] [วิดีโอ] [รหัส] |
ต่อการทำความเข้าใจอิทธิพลของลูกค้ารายบุคคลในการเรียนรู้แบบสหพันธรัฐ | sjtu; มหาวิทยาลัยเท็กซัสที่ดัลลัส | ไจ่ | 2021 | [Pub] [PDF] [วิดีโอ] |
การเรียนรู้แบบสหพันธรัฐที่มีความปลอดภัยอย่างต่อเนื่องกับลูกค้าที่เป็นอันตราย | มหาวิทยาลัยดุ๊ก | ไจ่ | 2021 | [Pub] [PDF] [วิดีโอ] [Slide] |
การเรียนรู้ข้าม Silo Federated ส่วนบุคคลเกี่ยวกับข้อมูลที่ไม่ใช่ IID | Simon Fraser University; McMaster University | ไจ่ | 2021 | [Pub] [PDF] [วิดีโอ] [UC.] |
เกมแบ่งปันแบบจำลอง: การวิเคราะห์การเรียนรู้แบบสหพันธรัฐภายใต้การมีส่วนร่วมโดยสมัครใจ | มหาวิทยาลัยคอร์เนลล์ | ไจ่ | 2021 | [Pub] [PDF] [รหัส] [วิดีโอ] |
สาปแช่งหรือไถ่ถอน? ความหลากหลายของข้อมูลมีผลต่อความแข็งแกร่งของการเรียนรู้แบบสหพันธรัฐอย่างไร | มหาวิทยาลัยเนวาดา; IBM Research | ไจ่ | 2021 | [Pub] [PDF] [วิดีโอ] |
Game of Gradients: บรรเทาลูกค้าที่ไม่เกี่ยวข้องในการเรียนรู้แบบสหพันธรัฐ | IIT Bombay; IBM Research | ไจ่ | 2021 | [PUB] [PDF] [รหัส] [วิดีโอ] [SUPT] |
โครงการ Descent Descent ของ Federated Block สำหรับการเรียนรู้โมเดลระดับโลกและส่วนบุคคล | Cuhk; มหาวิทยาลัยรัฐแอริโซนา | ไจ่ | 2021 | [Pub] [PDF] [วิดีโอ] [รหัส] |
การจัดการกับความไม่สมดุลของชั้นเรียนในการเรียนรู้แบบสหพันธรัฐ | มหาวิทยาลัยนอร์ ธ เวสเทิร์น | ไจ่ | 2021 | [Pub] [PDF] [วิดีโอ] [รหัส] [解读] |
ป้องกันแบ็คดอร์ในการเรียนรู้แบบสหพันธรัฐด้วยอัตราการเรียนรู้ที่แข็งแกร่ง | มหาวิทยาลัยเท็กซัสที่ดัลลัส | ไจ่ | 2021 | [Pub] [PDF] [วิดีโอ] [รหัส] |
การโจมตีแบบจำลองฟรีในการรวมโมเดลในการเรียนรู้แบบสหพันธรัฐ | Accenture Labs | aistats | 2021 | [PUB] [PDF] [รหัส] [วิดีโอ] [SUPT] |
ความเป็นส่วนตัว F-differential Federated | มหาวิทยาลัยเพนซิลเวเนีย | aistats | 2021 | [PUB] [รหัส] [วิดีโอ] [SUPT] |
การเรียนรู้แบบรวมกับการบีบอัด: การวิเคราะห์แบบครบวงจรและการรับประกันที่คมชัด | มหาวิทยาลัยรัฐเพนซิลเวเนีย; มหาวิทยาลัยเท็กซัสที่ออสติน | aistats | 2021 | [PUB] [PDF] [รหัส] [วิดีโอ] [SUPT] |
รูปแบบการสับเปลี่ยนของความเป็นส่วนตัวที่แตกต่างในการเรียนรู้แบบสหพันธรัฐ | UCLA; Google | aistats | 2021 | [Pub] [วิดีโอ] [Supp] |
การบรรจบกันและการแลกเปลี่ยนความแม่นยำในการเรียนรู้แบบสหพันธรัฐและการเรียนรู้อภิมาน | aistats | 2021 | [PUB] [PDF] [วิดีโอ] [SUPT] | |
มีพันธุกรรมหลายอาวุธที่รวมเป็นสหพันธรัฐด้วยการปรับเปลี่ยน | มหาวิทยาลัยเวอร์จิเนีย; มหาวิทยาลัยรัฐเพนซิลเวเนีย | aistats | 2021 | [PUB] [PDF] [รหัส] [วิดีโอ] [SUPT] |
สู่การมีส่วนร่วมของอุปกรณ์ที่ยืดหยุ่นในการเรียนรู้แบบรวม | CMU; Sysu | aistats | 2021 | [PUB] [PDF] [วิดีโอ] [SUPT] |
meta-learning แบบรวมสำหรับการตรวจจับบัตรเครดิตที่ฉ้อโกง | ijcai | 2020 | [ผับ] [วิดีโอ] | |
เกมผู้เล่นหลายคนสำหรับการศึกษาแผนการสร้างแรงจูงใจในการเรียนรู้แบบสหพันธรัฐ | ijcai | 2020 | [Pub] [Code] [解读] | |
การไล่ระดับสีแบบสหพันธรัฐที่ใช้งานได้จริง | NUS; ยูวา | ไจ่ | 2020 | [Pub] [PDF] [รหัส] |
การเรียนรู้จากสหพันธรัฐสำหรับปัญหาพื้นฐานการมองเห็นและภาษา | PKU; เทนเซ็นต์ | ไจ่ | 2020 | [ผับ] |
การจัดสรร Dirichlet แฝงแบบสหพันธรัฐ: กรอบความเป็นส่วนตัวที่แตกต่างจากท้องถิ่น | Buaa | ไจ่ | 2020 | [ผับ] |
การแฮชผู้ป่วยที่เป็นสหพันธรัฐ | มหาวิทยาลัยคอร์เนลล์ | ไจ่ | 2020 | [ผับ] |
การเรียนรู้แบบสหพันธรัฐที่แข็งแกร่งผ่านการสอนเครื่องทำงานร่วมกัน | Symantec Research Labs; Kaust | ไจ่ | 2020 | [Pub] [PDF] |
FedVision: แพลตฟอร์มการตรวจจับวัตถุออนไลน์ที่ขับเคลื่อนโดยการเรียนรู้แบบสหพันธรัฐ | เว็บแมนค์ | ไจ่ | 2020 | [Pub] [PDF] [รหัส] |
FedPAQ: วิธีการเรียนรู้แบบสหพันธรัฐที่มีประสิทธิภาพในการสื่อสารด้วยการหาค่าเฉลี่ยและการหาปริมาณเป็นระยะ | UC Santa Barbara; UT Austin | aistats | 2020 | [PUB] [PDF] [วิดีโอ] [SUPT] |
วิธีการแบ็คดอร์การเรียนรู้แบบสหพันธรัฐ | Cornell Tech | aistats | 2020 | [PUB] [PDF] [วิดีโอ] [รหัส] [SUPT] |
การค้นพบผู้ตีอย่างหนักด้วยความเป็นส่วนตัว | RPI; Google | aistats | 2020 | [PUB] [PDF] [วิดีโอ] [SUPT] |
การสร้างภาพข้อมูลหลายตัวแทนเพื่ออธิบายการเรียนรู้แบบสหพันธรัฐ | เว็บแมนค์ | ijcai | 2019 | [ผับ] [วิดีโอ] |
เอกสารการเรียนรู้แบบสหพันธรัฐได้รับการยอมรับจากการประชุมและการเรียนรู้ของเครื่องจักร) การประชุมและวารสารรวมถึง Neurips (การประชุมประจำปีเกี่ยวกับระบบการประมวลผลข้อมูลระบบประสาท), ICML (การประชุมนานาชาติเกี่ยวกับการเรียนรู้ของเครื่องจักร), ICLR (การประชุมนานาชาติ ทฤษฎีการเรียนรู้), UAI (การประชุมความไม่แน่นอนในปัญญาประดิษฐ์), การเรียนรู้ของเครื่อง, JMLR (วารสารการวิจัยการเรียนรู้ของเครื่อง), TPAMI (ธุรกรรม IEEE ในการวิเคราะห์รูปแบบ และข่าวกรองของเครื่องจักร)
ชื่อ | การเข้าร่วม | สถานที่จัดงาน | ปี | วัสดุ |
---|---|---|---|---|
การทำให้เกิดการเรียนรู้แบบรวมและเร่งการเรียนรู้แบบสหพันธรัฐเกี่ยวกับข้อมูลที่แตกต่างกันด้วยการมีส่วนร่วมของลูกค้าบางส่วน | tpami | 2025 | [ผับ] | |
แบบจำลองการแพทย์ที่มีส่วนผสมของส่วนประกอบส่วนบุคคลและส่วนประกอบที่ใช้ร่วมกัน | tpami | 2025 | [ผับ] | |
การเรียนรู้แบบสหพันธรัฐหนึ่งครั้งผ่านการสื่อสารสังเคราะห์กลั่น | เครื่องประสาท | 2024 | [ผับ] | |
Nonconvex Federated Learning เกี่ยวกับ submanifolds ขนาดกะทัดรัดที่มีข้อมูลต่างกัน | เครื่องประสาท | 2024 | [ผับ] | |
FedGMKD: กรอบการเรียนรู้ต้นแบบที่มีประสิทธิภาพของสหพันธรัฐผ่านการกลั่นความรู้และการรวมตัวกันที่มีความคลาดเคลื่อน | เครื่องประสาท | 2024 | [ผับ] | |
การปรับปรุงลักษณะทั่วไปในการเรียนรู้แบบสหพันธรัฐด้วยข้อมูลร่วมกันแบบจำลองการทำให้เป็นมาตรฐาน: วิธีการอนุมานหลัง | เครื่องประสาท | 2024 | [ผับ] | |
การเรียนรู้การเป็นตัวแทนการเป็นตัวแทนของสหพันธ์โมเดลที่แตกต่างกัน | เครื่องประสาท | 2024 | [ผับ] | |
การเรียนรู้กราฟแบบสหพันธรัฐสำหรับคำแนะนำข้ามโดเมน | เครื่องประสาท | 2024 | [ผับ] | |
Fedgmark: การทำเครื่องหมายลายน้ำที่มีความแข็งแกร่งสำหรับการเรียนรู้กราฟแบบสหพันธรัฐ | เครื่องประสาท | 2024 | [ผับ] | |
อะแดปเตอร์แบบสองส่วนบุคคลสำหรับโมเดลรากฐานที่รวมกัน | เครื่องประสาท | 2024 | [ผับ] | |
การไล่ระดับสีธรรมชาติแบบสหพันธรัฐและวิธีการวิจารณ์นักแสดงสำหรับการเรียนรู้การเสริมแรงแบบหลายงาน | เครื่องประสาท | 2024 | [ผับ] | |
ทำให้หางยาวในการทำนายการเคลื่อนไหวของมนุษย์ | เครื่องประสาท | 2024 | [ผับ] | |
การป้องกันคู่: เสริมสร้างความเป็นส่วนตัวและบรรเทาการโจมตีพิษในการเรียนรู้แบบสหพันธรัฐ | เครื่องประสาท | 2024 | [ผับ] | |
เพิ่มประสิทธิภาพกราฟที่เพิ่มขึ้น | เครื่องประสาท | 2024 | [ผับ] | |
DOFIT: การปรับแต่งคำแนะนำแบบสหพันธรัฐที่รับรู้ด้วยโดเมนด้วยการลืมหายนะหายไป | เครื่องประสาท | 2024 | [ผับ] | |
การเรียนรู้แบบสหพันธรัฐที่มีประสิทธิภาพต่อลูกค้าที่ต่างกันและไม่หยุดนิ่งไม่พร้อมใช้งาน | เครื่องประสาท | 2024 | [ผับ] | |
Federated Transformer: การเรียนรู้แบบสหพันธรัฐหลายฝ่ายเกี่ยวกับข้อมูลที่เชื่อมโยงอย่างฟัซซี่ในทางปฏิบัติ | เครื่องประสาท | 2024 | [ผับ] | |
Fiarse: การเรียนรู้แบบสหพันธรัฐแบบผสมผสานแบบจำลองผ่านการสกัดแบบ submodel ที่มีความสำคัญ | เครื่องประสาท | 2024 | [ผับ] | |
การปรับจูนพร้อมท์พร้อมด้วยข้อมูลที่ไม่เป็นไปได้ | เครื่องประสาท | 2024 | [ผับ] | |
Flora: แบบจำลองภาษาขนาดใหญ่ที่ได้รับการปรับแต่งแบบรวมด้วยการดัดแปลงระดับต่ำที่แตกต่างกัน | เครื่องประสาท | 2024 | [ผับ] | |
ฝึกฝนความแปรปรวนการเป็นตัวแทนของโดเมนในการเรียนรู้ต้นแบบแบบรวมกับโดเมนข้อมูลที่แตกต่างกัน | เครื่องประสาท | 2024 | [ผับ] | |
PFEDCLUB: การรวมรูปแบบที่แตกต่างกันสามารถควบคุมได้สำหรับการเรียนรู้แบบสหพันธรัฐส่วนบุคคล | เครื่องประสาท | 2024 | [ผับ] | |
ทำไมต้องเต็ม? การยกระดับการเรียนรู้แบบสหพันธรัฐผ่านการอัปเดตเครือข่ายบางส่วน | เครื่องประสาท | 2024 | [ผับ] | |
Fusefl: การเรียนรู้แบบสหพันธรัฐครั้งเดียวผ่านเลนส์แห่งเวรกรรมด้วยการฟิวชั่นแบบจำลองแบบก้าวหน้า | เครื่องประสาท | 2024 | [ผับ] | |
FedSSP: การเรียนรู้กราฟแบบสหพันธรัฐด้วยความรู้ทางสเปกตรัมและความชอบส่วนบุคคล | เครื่องประสาท | 2024 | [ผับ] | |
การจัดการ LearnWares จากพื้นที่คุณลักษณะที่แตกต่างกันพร้อมการแสวงหาผลประโยชน์ฉลากที่ชัดเจน | เครื่องประสาท | 2024 | [ผับ] | |
A-FEDPD: การจัดตำแหน่ง Dual-Drift ทั้งหมดเป็นความต้องการการเรียนรู้แบบคู่แรก | เครื่องประสาท | 2024 | [ผับ] | |
การประมาณความถี่ส่วนตัวและส่วนตัวในการตั้งค่าที่รวมกัน | เครื่องประสาท | 2024 | [ผับ] | |
ความซับซ้อนในการสื่อสารตัวอย่างแลกเปลี่ยนใน Q-Learning ที่รวมกัน | เครื่องประสาท | 2024 | [ผับ] | |
การเรียนรู้การเสริมแรงแบบออฟไลน์ที่เป็นวงศ์ | เครื่องประสาท | 2024 | [ผับ] | |
การปรับกล่องดำแบบสหพันธรัฐสำหรับการแบ่งส่วนความหมาย | เครื่องประสาท | 2024 | [ผับ] | |
การคิดไปข้างหน้า: หน่วยความจำที่มีประสิทธิภาพในการใช้งานแบบจำลองภาษาของโมเดลภาษา | เครื่องประสาท | 2024 | [ผับ] | |
การเรียนรู้แบบสหพันธรัฐจากรูปแบบรากฐานของวิสัยทัศน์: การวิเคราะห์เชิงทฤษฎีและวิธีการ | เครื่องประสาท | 2024 | [ผับ] | |
การออกแบบที่ดีที่สุดสำหรับการกระตุ้นความพึงพอใจของมนุษย์ | เครื่องประสาท | 2024 | [ผับ] | |
ไปสู่การเรียนรู้ที่หลากหลายของอุปกรณ์ที่หลากหลายผ่านการรวมความรู้ทางคณิตศาสตร์ของงาน | เครื่องประสาท | 2024 | [ผับ] | |
การเรียนรู้แบบสหพันธรัฐส่วนบุคคลผ่านการปรับการกระจายคุณสมบัติ | เครื่องประสาท | 2024 | [ผับ] | |
Scafflsa: การฝึกฝนความหลากหลายในการประมาณเชิงเส้นเชิงเส้นแบบสหพันธรัฐและการเรียนรู้ TD | เครื่องประสาท | 2024 | [ผับ] | |
วิธีการแบบเบย์สำหรับการเรียนรู้แบบสหพันธ์ส่วนบุคคลในการตั้งค่าที่ต่างกัน | เครื่องประสาท | 2024 | [ผับ] | |
RFLPA: กรอบการเรียนรู้ที่แข็งแกร่งของสหพันธรัฐต่อการโจมตีด้วยพิษด้วยการรวมตัวที่ปลอดภัย | เครื่องประสาท | 2024 | [ผับ] | |
Fedgtst: การเพิ่มความสามารถในการถ่ายโอนทั่วโลกของโมเดลสหพันธรัฐผ่านการปรับแต่งสถิติ | เครื่องประสาท | 2024 | [ผับ] | |
การจัดกลุ่มที่เรียนรู้แบบ end-to-end เพื่อการเรียนรู้โดยเจตนาในการแนะนำ | เครื่องประสาท | 2024 | [ผับ] | |
Fedlpa: การเรียนรู้แบบสหพันธรัฐแบบหนึ่งครั้งด้วยการรวมตัวหลังที่ชาญฉลาด | เครื่องประสาท | 2024 | [ผับ] | |
Time-FFM: ไปสู่รูปแบบมูลนิธิ Federated Foundated ที่ได้รับการสนับสนุนจาก LM สำหรับการพยากรณ์อนุกรมเวลา | เครื่องประสาท | 2024 | [ผับ] | |
FOOGD: การทำงานร่วมกันของสหพันธรัฐสำหรับทั้งการกระจายและการตรวจจับ | เครื่องประสาท | 2024 | [ผับ] | |
มีดกองทัพสวิสสำหรับการเรียนรู้แบบสหพันธรัฐที่ต่างกัน: การมีเพศสัมพันธ์ที่ยืดหยุ่นผ่านการติดตามบรรทัดฐาน | เครื่องประสาท | 2024 | [ผับ] | |
Fedne: การฝังเพื่อนบ้านที่ได้รับความช่วยเหลือจากตัวแทน | เครื่องประสาท | 2024 | [ผับ] | |
การฝึกอบรมในท้องถิ่นที่มีความแม่นยำต่ำนั้นเพียงพอสำหรับการเรียนรู้แบบสหพันธรัฐ | เครื่องประสาท | 2024 | [ผับ] | |
การเรียนรู้ด้วยตนเองที่เป็นที่รู้จักกันดี | เครื่องประสาท | 2024 | [ผับ] | |
เกี่ยวกับความจำเป็นของการทำงานร่วมกันสำหรับการเลือกรูปแบบออนไลน์ด้วยข้อมูลการกระจายอำนาจ | เครื่องประสาท | 2024 | [ผับ] | |
พลังของการคาดการณ์ในการเรียนรู้แบบสหพันธรัฐ | เครื่องประสาท | 2024 | [ผับ] | |
(fl) $^2 $: เอาชนะฉลากไม่กี่แห่งในการเรียนรู้กึ่งผู้ดูแลแบบสหพันธรัฐ | เครื่องประสาท | 2024 | [ผับ] | |
เกี่ยวกับกลยุทธ์การสุ่มตัวอย่างสำหรับแบบจำลองสเปกตรัม | เครื่องประสาท | 2024 | [ผับ] | |
ปรับแต่งรูปแบบภาษาด้วย LORA ที่ชาญฉลาดสำหรับคำแนะนำตามลำดับ | เครื่องประสาท | 2024 | [ผับ] | |
SPAFL: การเรียนรู้แบบสหพันธรัฐที่มีประสิทธิภาพในการสื่อสารกับแบบจำลองที่กระจัดกระจายและค่าใช้จ่ายในการคำนวณต่ำ | เครื่องประสาท | 2024 | [ผับ] | |
Hydra-FL: การกลั่นความรู้ไฮบริดเพื่อการเรียนรู้แบบสหพันธรัฐที่มีความแข็งแกร่งและแม่นยำ | เครื่องประสาท | 2024 | [ผับ] | |
วิธีการใกล้เคียงกับจุดใกล้เคียง | เครื่องประสาท | 2024 | [ผับ] | |
dapperfl: การเรียนรู้แบบ adaptive federated ด้วยแบบจำลองการตัดแต่งกิ่งสำหรับอุปกรณ์ขอบ | เครื่องประสาท | 2024 | [ผับ] | |
พารามิเตอร์ความไม่เท่าเทียมกันในการป้องกันแบ็คดอร์ในการเรียนรู้แบบสหพันธรัฐที่ต่างกัน | เครื่องประสาท | 2024 | [ผับ] | |
ตัวแทนที่มีประสิทธิภาพที่แย่ที่สุดนำไปสู่แพ็คหรือไม่? การวิเคราะห์การเปลี่ยนแปลงของตัวแทนใน SGD แบบกระจายแบบครบวงจร | เครื่องประสาท | 2024 | [ผับ] | |
FedAVP: เพิ่มข้อมูลท้องถิ่นผ่านนโยบายที่ใช้ร่วมกันในการเรียนรู้แบบสหพันธรัฐ | เครื่องประสาท | 2024 | [ผับ] | |
COBO: การเรียนรู้ร่วมกันผ่านการเพิ่มประสิทธิภาพ Bilevel | เครื่องประสาท | 2024 | [ผับ] | |
การวิเคราะห์การบรรจบกันของการเรียนรู้แบบแยกส่วนที่แตกต่างกันเกี่ยวกับข้อมูลที่แตกต่างกัน | เครื่องประสาท | 2024 | [ผับ] | |
กลุ่มการสื่อสารที่มีประสิทธิภาพในการเพิ่มประสิทธิภาพการเพิ่มประสิทธิภาพที่แข็งแกร่งในการกระจายการกระจาย | เครื่องประสาท | 2024 | [ผับ] | |
Ferrari: Federated คุณลักษณะที่ไม่ได้เรียนรู้ผ่านการเพิ่มประสิทธิภาพคุณลักษณะความไว | เครื่องประสาท | 2024 | [ผับ] | |
การเรียนรู้แบบสหพันธรัฐเกี่ยวกับโหมดที่เชื่อมต่อ | เครื่องประสาท | 2024 | [ผับ] | |
การเรียนรู้แบบสหพันธรัฐส่วนบุคคลด้วยการผสมผสานของแบบจำลองสำหรับการทำนายแบบปรับตัวและการปรับแต่งแบบจำลอง | เครื่องประสาท | 2024 | [ผับ] | |
ความเป็นธรรมของ Egalitarian นำไปสู่ความไม่มั่นคงหรือไม่? ขอบเขตความเป็นธรรมในการเรียนรู้แบบสหพันธรัฐที่มั่นคงภายใต้พฤติกรรมการเห็นแก่ผู้อื่น | เครื่องประสาท | 2024 | [ผับ] | |
การทำนายออนไลน์แบบสหพันธรัฐจากผู้เชี่ยวชาญที่มีความเป็นส่วนตัวที่แตกต่าง: การแยกและความเสียใจความเร็วสูงขึ้น | เครื่องประสาท | 2024 | [ผับ] | |
DataStealing: ขโมยข้อมูลจากแบบจำลองการแพร่กระจายในการเรียนรู้แบบสหพันธรัฐด้วยโทรจันหลายตัว | เครื่องประสาท | 2024 | [ผับ] | |
ระนาบเชิงพฤติกรรมแบบสหพันธรัฐ: อธิบายวิวัฒนาการของพฤติกรรมลูกค้าในการเรียนรู้แบบสหพันธรัฐ | เครื่องประสาท | 2024 | [ผับ] | |
การเรียนรู้แบบสหพันธรัฐแบบลำดับชั้นด้วยการแก้ไขการไล่ระดับสีแบบหลายเทียม | เครื่องประสาท | 2024 | [ผับ] | |
Hyperprism: กรอบการรวมเชิงเส้นแบบปรับได้สำหรับการเรียนรู้ของเครื่องกระจายผ่านข้อมูลที่ไม่ใช่ IID และลิงค์การสื่อสารที่แปรผันตามเวลา | เครื่องประสาท | 2024 | [ผับ] | |
หอก: การผกผันของแบตช์การไล่ระดับสีที่แน่นอนในการเรียนรู้แบบสหพันธรัฐ | เครื่องประสาท | 2024 | [ผับ] | |
การเรียนรู้แบบสหพันธรัฐภายใต้การมีส่วนร่วมของลูกค้าเป็นระยะและข้อมูลที่แตกต่างกัน: อัลกอริทึมและการวิเคราะห์ที่มีประสิทธิภาพด้านการสื่อสารใหม่ | เครื่องประสาท | 2024 | [ผับ] | |
ช่องว่างการเชื่อม: การจัดกลุ่มมุมมองแบบหลายมุมมองแบบรวมในมุมมองไฮบริดที่แตกต่างกัน | เครื่องประสาท | 2024 | [ผับ] | |
การเรียนรู้แบบสหพันธรัฐที่ทนต่อความสับสนผ่านการประสานข้อมูลที่อิงกับข้อมูลการแพร่กระจายบนข้อมูลที่ไม่ได้เกิดจาก IID | เครื่องประสาท | 2024 | [ผับ] | |
ซุปที่เหนือกว่าในท้องถิ่น: ตัวเร่งปฏิกิริยาสำหรับการรวมแบบจำลองในการเรียนรู้แบบสหพันธรัฐข้ามซิลิ | เครื่องประสาท | 2024 | [ผับ] | |
การสร้างการทำงานร่วมกันอย่างอิสระและความขัดแย้ง | เครื่องประสาท | 2024 | [ผับ] | |
การจัดกลุ่มตัวแยกประเภทและการจัดแนวคุณสมบัติสำหรับการเรียนรู้แบบสหพันธรัฐภายใต้แนวคิดแบบกระจายดริฟท์ | เครื่องประสาท | 2024 | [ผับ] | |
การสุ่มตัวอย่างไคลเอนต์ที่มีความหลากหลาย: ไปสู่การเรียนรู้แบบสหพันธรัฐที่ไม่รวดเร็วและมีประสิทธิภาพ | เครื่องประสาท | 2024 | [ผับ] | |
ความจริงหรือนิยาย: กลไกความจริงสามารถกำจัดการขี่ฟรีได้หรือไม่? | เครื่องประสาท | 2024 | [ผับ] | |
การเรียนรู้การตั้งค่าที่ใช้งานอยู่สำหรับการสั่งซื้อรายการทั้งในและนอกตัวอย่าง | เครื่องประสาท | 2024 | [ผับ] | |
การปรับจูนแบบรวมของแบบจำลองภาษาขนาดใหญ่ภายใต้งานที่ต่างกันและทรัพยากรลูกค้า | เครื่องประสาท | 2024 | [ผับ] | |
การปรับแต่งอย่างละเอียดในการเรียนรู้แบบรวมเพื่อลดลูกค้าที่เป็นปฏิปักษ์ | เครื่องประสาท | 2024 | [ผับ] | |
การกลับมาอีกครั้งในการเรียนรู้แบบรวม | เครื่องประสาท | 2024 | [ผับ] | |
Fedllm-Bench: มาตรฐานที่สมจริงสำหรับการเรียนรู้แบบรวมของแบบจำลองภาษาขนาดใหญ่ | เครื่องประสาท | 2024 | [ผับ] | |
$ exttt {PFL-Research} $: กรอบการจำลองสำหรับการเร่งการวิจัยในการเรียนรู้แบบสหพันธรัฐเอกชน | เครื่องประสาท | 2024 | [ผับ] | |
FedMeki: มาตรฐานสำหรับการปรับขนาดแบบจำลองมูลนิธิการแพทย์ผ่านการฉีดความรู้แบบรวม | เครื่องประสาท | 2024 | [ผับ] | |
การประมาณค่าโมเมนตัมในการเรียนรู้แบบสหพันธรัฐแบบอะซิงโครนัส | Neurips Workshop | 2024 | [ผับ] | |
Cohort Squeeze: นอกเหนือจากการสื่อสารรอบเดียวต่อกลุ่มในการเรียนรู้แบบสหพันธรัฐข้ามอุปกรณ์ | Neurips Workshop | 2024 | [ผับ] | |
การเรียนรู้แบบรวมกับเนื้อหากำเนิด | Neurips Workshop | 2024 | [ผับ] | |
ใช้ประโยชน์จากข้อมูลข้อความที่ไม่มีโครงสร้างสำหรับการปรับแต่งการเรียนการสอนของแบบจำลองภาษาขนาดใหญ่ | Neurips Workshop | 2024 | [ผับ] | |
การโจมตีและการป้องกันความปลอดภัยที่เกิดขึ้นใหม่ในการปรับแต่งการเรียนการสอนของแบบจำลองภาษาขนาดใหญ่ | Neurips Workshop | 2024 | [ผับ] | |
การทำงานร่วมกันที่ปราศจากการละทิ้งระหว่างคู่แข่งในระบบการเรียนรู้ | Neurips Workshop | 2024 | [ผับ] | |
เกี่ยวกับอัตราการบรรจบกันของการเรียนรู้ Q-learning ในสภาพแวดล้อมที่ต่างกัน | Neurips Workshop | 2024 | [ผับ] | |
Enccluster: นำการเข้ารหัสการทำงานในแบบจำลองพื้นฐานของสหพันธ์ | Neurips Workshop | 2024 | [ผับ] | |
Ferret: การปรับพารามิเตอร์เต็มรูปแบบที่รวมกันในระดับสำหรับรุ่นภาษาขนาดใหญ่ | Neurips Workshop | 2024 | [ผับ] | |
การเรียนรู้แบบสหพันธรัฐที่สามารถทำได้ | Neurips Workshop | 2024 | [ผับ] | |
การฝึกอบรมระดับต่ำแบบไดนามิกแบบรวมด้วยการรับประกันการบรรจบกันของการสูญเสียทั่วโลก | Neurips Workshop | 2024 | [ผับ] | |
อนาคตของรูปแบบภาษาขนาดใหญ่ก่อนการฝึกอบรมได้รับการรวมเป็นสหพันธรัฐ | Neurips Workshop | 2024 | [ผับ] | |
การเรียนรู้ร่วมกันกับการเป็นตัวแทนเชิงเส้นที่ใช้ร่วมกัน: อัตราทางสถิติและอัลกอริทึมที่ดีที่สุด | Neurips Workshop | 2024 | [ผับ] | |
ปรากฏการณ์ synapticcity: เมื่อรูปแบบพื้นฐานทั้งหมดแต่งงานกับการเรียนรู้แบบสหพันธรัฐและ blockchain | Neurips Workshop | 2024 | [ผับ] | |
Zoopfl: การสำรวจโมเดลมูลนิธิ Black-Box สำหรับการเรียนรู้แบบสหพันธรัฐส่วนบุคคล | Neurips Workshop | 2024 | [ผับ] | |
DECOMFL: การเรียนรู้แบบรวมกับการสื่อสารที่ปราศจากมิติ | Neurips Workshop | 2024 | [ผับ] | |
การปรับปรุงการเชื่อมต่อกลุ่มเพื่อการเรียนรู้ทั่วไปของการเรียนรู้ลึก | Neurips Workshop | 2024 | [ผับ] | |
MAP: แบบจำลองการรวมกับ Pareto ด้านหน้าที่ตัดจำหน่ายโดยใช้การคำนวณที่ จำกัด | Neurips Workshop | 2024 | [ผับ] | |
OPA: การรวมตัวส่วนตัวครั้งเดียวกับการโต้ตอบกับลูกค้ารายเดียวและแอพพลิเคชั่นเพื่อการเรียนรู้แบบรวม | Neurips Workshop | 2024 | [ผับ] | |
การตัดแต่งรูปแบบไฮบริดแบบปรับตัวในการเรียนรู้แบบสหพันธรัฐผ่านการสำรวจการสูญเสีย | Neurips Workshop | 2024 | [ผับ] | |
การฝึกอบรมแบบรวมทั่วโลกของแบบจำลองภาษา | Neurips Workshop | 2024 | [ผับ] | |
Fedstein: การเพิ่มการเรียนรู้แบบสหพันธรัฐหลายโดเมนผ่านตัวประมาณ James-Stein | Neurips Workshop | 2024 | [ผับ] | |
เพิ่มการค้นพบเชิงสาเหตุในการตั้งค่าที่เป็นสหพันธรัฐด้วยตัวอย่างท้องถิ่นที่ จำกัด | Neurips Workshop | 2024 | [ผับ] | |
$ exttt {PFL-Research} $: กรอบการจำลองสำหรับการเร่งการวิจัยในการเรียนรู้แบบสหพันธรัฐเอกชน | Neurips Workshop | 2024 | [ผับ] | |
DMM: กลไกเมทริกซ์แบบกระจายสำหรับการเรียนรู้แบบสหพันธรัฐที่แตกต่างกันโดยใช้การแบ่งปันความลับที่บรรจุ | Neurips Workshop | 2024 | [ผับ] | |
FedCBO: การเข้าถึงฉันทามติของกลุ่มในการเรียนรู้แบบรวมกลุ่มผ่านการเพิ่มประสิทธิภาพตามฉันทามติ | JMLR | 2024 | [ผับ] | |
การจับคู่กราฟที่มีประสิทธิภาพ | ICML | 2024 | [ผับ] | |
การทำความเข้าใจการเรียนรู้แบบสหพันธรัฐที่ได้รับความช่วยเหลือจากเซิร์ฟเวอร์ต่อหน้าการมีส่วนร่วมของไคลเอนต์ที่ไม่สมบูรณ์ | ICML | 2024 | [ผับ] | |
นอกเหนือจากสหพันธ์: การเรียนรู้แบบสหพันธ์โทโพโลยีเพื่อการวางนัยทั่วไปให้กับลูกค้าที่มองไม่เห็น | ICML | 2024 | [ผับ] | |
FedBpt: การปรับแต่งการปรับแต่งกล่องดำแบบรวมที่มีประสิทธิภาพสำหรับรุ่นภาษาขนาดใหญ่ | ICML | 2024 | [ผับ] | |
การเชื่อมความแตกต่างของโมเดลในการเรียนรู้แบบสหพันธรัฐผ่านการเรียนรู้การแลกเปลี่ยนซึ่งกันและกันแบบไม่สมดุล | ICML | 2024 | [ผับ] | |
มุมมองทางทฤษฎีใหม่เกี่ยวกับความหลากหลายของข้อมูลในการเพิ่มประสิทธิภาพแบบสหพันธรัฐ | ICML | 2024 | [ผับ] | |
การเพิ่มประสิทธิภาพการจัดเก็บและประสิทธิภาพการคำนวณในการเรียนรู้แบบหลายรูปแบบแบบรวมสำหรับแบบจำลองขนาดใหญ่ | ICML | 2024 | - | |
โมเมนตัมสำหรับการชนะ: การเรียนรู้การเสริมแรงแบบร่วมมือกันในสภาพแวดล้อมที่ต่างกัน | ICML | 2024 | [ผับ] | |
Byzantine-Robust Federated Learning: ผลกระทบของการย่อยของลูกค้าและการอัปเดตในท้องถิ่น | ICML | 2024 | [ผับ] | |
ประโยชน์ที่พิสูจน์ได้ของขั้นตอนท้องถิ่นในการเรียนรู้แบบสหพันธรัฐที่ต่างกันสำหรับเครือข่ายประสาท: มุมมองการเรียนรู้คุณสมบัติ | ICML | 2024 | [ผับ] | |
เร่งการเรียนรู้แบบสหพันธรัฐด้วยการประมาณค่าเฉลี่ยการกระจายอย่างรวดเร็ว | ICML | 2024 | [ผับ] | |
การเรียนรู้ที่เป็นสหพันธรัฐอย่างยุติธรรมผ่านแกนยับยั้งสัดส่วน | ICML | 2024 | [ผับ] | |
AEGISFL: Byzantine-Robust Cross-Silo Federated Learning | ICML | 2024 | [ผับ] | |
การกู้คืนฉลากจากการอัปเดตในท้องถิ่นในการเรียนรู้แบบสหพันธรัฐ | ICML | 2024 | [ผับ] | |
Fedmbridge: Bridgeable Multimodal Federated Learning | ICML | 2024 | [ผับ] | |
การประสานการทั่วไปและการปรับให้เป็นส่วนตัวในการเรียนรู้ที่รวดเร็วของสหพันธรัฐ | ICML | 2024 | [ผับ] | |
การก่อกวนทั่วโลกโดยประมาณในพื้นที่นั้นดีกว่าการก่อกวนในท้องถิ่นสำหรับการลดความคมชัดของสหพันธ์ | ICML | 2024 | [ผับ] | |
เร่งการเรียนรู้แบบรวมที่แตกต่างกันด้วยตัวแยกประเภทแบบปิด | ICML | 2024 | [ผับ] | |
กลุ่มโจรหลายแขนแบบหลายเกราะ Combinatorial | ICML | 2024 | [ผับ] | |
วิธีการไล่ระดับสีแบบสโตแคสติกแบบสโตแคสติกแบบเรียกซ้ำเป็นสองเท่าสำหรับการเพิ่มประสิทธิภาพองค์ประกอบหลายระดับที่รวมกันเป็นสหพันธรัฐ | ICML | 2024 | [ผับ] | |
การเรียนรู้แบบรวมที่แตกต่างกันส่วนตัวโดยไม่มีเซิร์ฟเวอร์ที่เชื่อถือได้กลับมาอีกครั้ง: อัลกอริทึมที่ดีที่สุดและการสื่อสารที่มีประสิทธิภาพสำหรับการสูญเสียนูน | ICML | 2024 | [ผับ] | |
FEDRC: การจัดการกับความท้าทายในการกระจายการกระจายที่หลากหลายในการเรียนรู้แบบสหพันธรัฐโดยการจัดกลุ่มที่แข็งแกร่ง | ICML | 2024 | [ผับ] | |
การแสวงหาสวัสดิการโดยรวมในการเรียนรู้แบบสหพันธรัฐผ่านการตัดสินใจตามลำดับ | ICML | 2024 | [ผับ] | |
ข้อความล่วงหน้า: แบบจำลองภาษาการฝึกอบรมเกี่ยวกับข้อมูลสหพันธรัฐส่วนตัวในยุค LLMS | ICML | 2024 | [ผับ] | |
การรวมตัวกันของเอนโทรปีที่ขับเคลื่อนด้วยตนเองสำหรับการเรียนรู้แบบสหพันธรัฐไบแซนไทน์ | ICML | 2024 | [ผับ] | |
การเอาชนะข้อมูลและความหลากหลายของโมเดลในการเรียนรู้แบบแยกส่วนของสหพันธรัฐผ่านจุดยึดสังเคราะห์ | ICML | 2024 | [ผับ] | |
การเพิ่มประสิทธิภาพแบบสหพันธรัฐด้วยการแก้ไขดริฟท์เป็นสองเท่าเป็นสองเท่า | ICML | 2024 | [ผับ] | |
Fedsc: การเรียนรู้ที่ได้รับการดูแลตนเองโดยรวมที่พิสูจน์ได้ด้วยวัตถุประสงค์ความคมชัดของสเปกตรัมผ่านข้อมูลที่ไม่ใช่ของ IID | ICML | 2024 | [ผับ] | |
Byzantine-Robust ได้รับการคาดการณ์ตามการทำนายตามการทำนาย | ICML | 2024 | [ผับ] | |
การบรรลุ sparsification การไล่ระดับสีแบบไม่สูญเสียผ่านการทำแผนที่ไปยังพื้นที่ทางเลือกในการเรียนรู้แบบสหพันธรัฐ | ICML | 2024 | [ผับ] | |
การเรียนรู้แบบรวมกลุ่มผ่านการแบ่งพาร์ติชันตามการไล่ระดับสี | ICML | 2024 | [ผับ] | |
การออกจากช่วงต้นของการเรียนรู้แบบสหพันธรัฐกับลูกค้าที่ต่างกัน | ICML | 2024 | [ผับ] | |
ทบทวนการค้นหาขั้นต่ำสุดในการเรียนรู้แบบสหพันธรัฐ | ICML | 2024 | [ผับ] | |
Fedbat: การเรียนรู้แบบรวมที่มีประสิทธิภาพการสื่อสารผ่านการเรียนรู้ด้วยวิธี binarization ที่เรียนรู้ได้ | ICML | 2024 | [ผับ] | |
การเรียนรู้การเป็นตัวแทนของสหพันธรัฐในระบอบการปกครองที่อยู่ภายใต้พารามิเตอร์ | ICML | 2024 | [ผับ] | |
Fedlmt: การแก้ปัญหาระบบความหลากหลายของการเรียนรู้จากสหพันธรัฐผ่านการฝึกอบรมแบบจำลองระดับต่ำด้วยการรับประกันเชิงทฤษฎี | ICML | 2024 | [ผับ] | |
อัลกอริทึมที่ตระหนักถึงเสียงรบกวนสำหรับการเรียนรู้แบบสหพันธรัฐส่วนตัวที่แตกต่างกัน | ICML | 2024 | [ผับ] | |
เงิน: การลดความแปรปรวนแบบลูปเดี่ยวและการประยุกต์ใช้กับการเรียนรู้แบบสหพันธรัฐ | ICML | 2024 | [ผับ] | |
SignsGD ด้วยการป้องกันแบบสหพันธรัฐ: การควบคุมการโจมตีของฝ่ายตรงข้ามผ่านการถอดรหัสสัญญาณไล่ระดับสี | ICML | 2024 | [ผับ] | |
Fedcal: การบรรลุการสอบเทียบในท้องถิ่นและระดับโลกในการเรียนรู้แบบสหพันธรัฐผ่าน Parameterized Scaler แบบรวม | ICML | 2024 | [ผับ] | |
การเรียนรู้อย่างต่อเนื่องโดยรวมผ่านการถ่ายโอนความรู้แบบคู่ที่รวดเร็ว | ICML | 2024 | [ผับ] | |
การปรับพารามิเตอร์แบบเต็มรูปแบบของแบบจำลองภาษาพันล้านแบบรวมกับค่าใช้จ่ายในการสื่อสารภายใต้ 18 กิโลไบต์ | ICML | 2024 | [ผับ] | |
การย่อยสลาย submodular decomposable ในการตั้งค่าที่รวมกัน | ICML | 2024 | [ผับ] | |
การเพิ่มประสิทธิภาพแบบเอกชนและเป็นสหพันธรัฐ: กลยุทธ์ที่มีประสิทธิภาพสำหรับระบบส่วนกลาง | ICML | 2024 | [ผับ] | |
ปรับปรุงการสร้างแบบจำลองของชุดข้อมูลแบบสหพันธรัฐโดยใช้ส่วนผสมของ dirichlet-multinomials | ICML | 2024 | [ผับ] | |
บทเรียนจากการวิเคราะห์ข้อผิดพลาดทั่วไปของการเรียนรู้แบบสหพันธรัฐ: คุณอาจสื่อสารน้อยลง! | ICML | 2024 | [ผับ] | |
Byzantine มีความยืดหยุ่นและการเรียนรู้ไม่กี่ครั้งที่รวมกันอย่างรวดเร็ว | ICML | 2024 | [ผับ] | |
การเรียนรู้แบบไม่แปรเปลี่ยนเป็นส่วนบุคคลที่มีแรงจูงใจที่มีเหตุผลด้วยการทำให้เป็นหลัก | ICML | 2024 | [ผับ] | |
การเลือกการเลียนแบบลูกค้าตามอันดับสำหรับการเรียนรู้แบบรวมที่มีประสิทธิภาพ | ICML | 2024 | [ผับ] | |
ต่อทฤษฎีการเรียนรู้แบบสหพันธรัฐที่ไม่ได้รับการดูแล: การวิเคราะห์แบบไม่เป็นยาของอัลกอริทึม EM แบบสหพันธรัฐ | ICML | 2024 | [ผับ] | |
Fadas: ไปสู่การเพิ่มประสิทธิภาพแบบอะซิงโครนัสแบบปรับตัวแบบสหพันธรัฐ | ICML | 2024 | [ผับ] | |
การเรียนรู้การเสริมแรงแบบออฟไลน์แบบสหพันธรัฐ: การทำงานร่วมกันของนโยบายเดียวที่ครอบคลุมพอเพียง | ICML | 2024 | [ผับ] | |
Fedredefense: การป้องกันการโจมตีพิษแบบจำลองสำหรับการเรียนรู้แบบรวม | ICML | 2024 | [ผับ] | |
MH-PFLID: แบบจำลองการเรียนรู้แบบสหพันธรัฐที่แตกต่างกันไปด้วยการฉีดและการกลั่นสำหรับการวิเคราะห์ข้อมูลทางการแพทย์ | ICML | 2024 | [ผับ] | |
การเรียนรู้ทางระบบประสาทแบบรวมเป็นสหพันธรัฐ | ICML | 2024 | [ผับ] | |
การปรับตัวให้เป็นส่วนตัวของกลุ่มสำหรับการเรียนรู้การถ่ายโอนร่วมกันแบบรวม | ICML | 2024 | [ผับ] | |
สร้างสมดุลระหว่างความคล้ายคลึงกันและความสมบูรณ์สำหรับการเรียนรู้แบบสหพันธรัฐ | ICML | 2024 | [ผับ] | |
GNNs ที่อธิบายตนเองด้วยตัวเองด้วยการเสริมการต่อต้านชอร์ตคัต | ICML | 2024 | [ผับ] | |
อัลกอริทึม MiniMax MiniMax แบบหลายระดับแบบสุ่มแบบสหพันธรัฐสำหรับการเพิ่มระดับสูงสุดของ AUC | ICML | 2024 | [ผับ] | |
Coala: แพลตฟอร์มการเรียนรู้แบบสหพันธรัฐที่ใช้งานได้จริงและมีวิสัยทัศน์เป็นศูนย์กลาง | ICML | 2024 | [ผับ] | |
การเรียนรู้แบบสหพันธรัฐแนวตั้งที่ปลอดภัยและรวดเร็วผ่านการเพิ่มประสิทธิภาพแบบไฮบริดแบบเรียงซ้อนกัน | Mach เรียนรู้ | 2024 | [ผับ] | |
การเรียนรู้แบบรวมกลุ่มที่มีประสิทธิภาพในการสื่อสารผ่านระยะทางของแบบจำลอง | USTC; ห้องปฏิบัติการสำคัญของหน่วยสืบราชการลับเกี่ยวกับความรู้ความเข้าใจ | Mach เรียนรู้ | 2024 | [ผับ] |
การเรียนรู้แบบสหพันธรัฐด้วยการรวม superquantile สำหรับข้อมูลที่แตกต่างกัน | Google Research | Mach เรียนรู้ | 2024 | [Pub] [PDF] [รหัส] |
การจัดตำแหน่งโมเดลผลลัพธ์สำหรับการเรียนรู้แบบสหพันธรัฐที่ไม่สมดุลของชั้นเรียน | NJU | Mach เรียนรู้ | 2024 | [ผับ] |
การเรียนรู้แบบรวมของเครือข่ายเชิงเส้นเชิงเส้นทั่วไป | tpami | 2024 | [ผับ] | |
การรับรู้กิจกรรมของมนุษย์ข้ามโมดอล | tpami | 2024 | [ผับ] | |
กระบวนการเกาส์แบบสหพันธรัฐ: การบรรจบกันการปรับเปลี่ยนอัตโนมัติและการสร้างแบบจำลองความเที่ยงตรงหลายแบบ | มหาวิทยาลัยตะวันออกเฉียงเหนือ; uom | tpami | 2024 | [Pub] [PDF] [รหัส] |
ผลกระทบของการโจมตีที่เป็นปฏิปักษ์ต่อการเรียนรู้แบบสหพันธรัฐ: การสำรวจ | IIT | tpami | 2024 | [ผับ] |
การทำความเข้าใจและบรรเทาการล่มสลายของมิติในการเรียนรู้แบบสหพันธรัฐ | NUS | tpami | 2024 | [Pub] [PDF] [รหัส] |
ไม่มีใครทิ้งไว้ข้างหลัง: การเรียนรู้ชั้นเรียนแบบสหพันธ์โลกแห่งความเป็นจริง | CAS; UCAS | tpami | 2024 | [Pub] [PDF] [รหัส] |
cross-correlation ที่แตกต่างกันทั่วไปและการเรียนรู้ความคล้ายคลึงกันของอินสแตนซ์ | whu | tpami | 2024 | [Pub] [PDF] [รหัส] |
การเรียนรู้แบบอะซิงโครนัสแบบหลายขั้นตอนด้วยความเป็นส่วนตัวแบบปรับตัวได้ | HPU; xjtu | tpami | 2024 | [Pub] [PDF] [รหัส] |
กรอบการเรียนรู้แบบสหพันธรัฐแบบเบย์พร้อมการประมาณ Laplace ออนไลน์ | ค้ำจุน | tpami | 2024 | [Pub] [PDF] [รหัส] |
การเพิ่มการเรียนรู้แบบสหพันธรัฐด้วยการถ่ายภาพผ่านข้อมูลและการทำงานร่วมกันของ Ensemble | USTC; Hkbu | ICLR | 2024 | [ผับ] |
การประเมินความเป็นส่วนตัวเชิงประจักษ์แบบหนึ่งนัดสำหรับการเรียนรู้แบบสหพันธรัฐ | ICLR | 2024 | [Pub] [PDF] | |
ค่าเฉลี่ยการควบคุมแบบสุ่มสำหรับการเรียนรู้แบบสหพันธรัฐด้วยการบีบอัดการสื่อสาร | LinkedIn; upennen | ICLR | 2024 | [Pub] [PDF] |
วิธีที่มีน้ำหนักเบาสำหรับการแก้ปัญหาสถิติการมีส่วนร่วมที่ไม่รู้จักในค่าเฉลี่ยของสหพันธรัฐ | ไอบีเอ็ม | ICLR | 2024 | [Pub] [PDF] [รหัส] |
มุมมองข้อมูลร่วมกันเกี่ยวกับการเรียนรู้แบบแยกส่วนสหพันธรัฐ | วอลคอมม์ | ICLR | 2024 | [ผับ] |
อัลกอริทึมการเปรียบเทียบสำหรับการวางนัยทั่วไปโดเมนแบบสหพันธรัฐ | มหาวิทยาลัยเพอร์ดู | ICLR | 2024 | [Pub] [PDF] [รหัส] |
การเรียนรู้ต้นไม้แบบรวมที่มีประสิทธิภาพและมีประสิทธิภาพเกี่ยวกับข้อมูลไฮบริด | UC Berkeley | ICLR | 2024 | [Pub] [PDF] |
คำแนะนำจากสหพันธรัฐพร้อมการปรับแต่งส่วนบุคคล | uts | ICLR | 2024 | [Pub] [PDF] [รหัส] |
การแก้ปัญหาความหลากหลายของข้อมูลในการเรียนรู้แบบสหพันธรัฐแบบอะซิงโครนัสด้วยการสอบเทียบอัพเดตแคช | PSU | ICLR | 2024 | [Pub] [Supp] |
การฝึกอบรมมุมฉากแบบสหพันธรัฐ: การบรรเทาภัยพิบัติระดับโลกที่ลืมไปในการเรียนรู้แบบสหพันธรัฐอย่างต่อเนื่อง | USC | ICLR | 2024 | [Pub] [Supp] [PDF] |
การลืมการเรียนรู้อย่างต่อเนื่อง | เทือกเขา | ICLR | 2024 | [ผับ] [รหัส] |
การค้นพบเชิงสาเหตุจากสหพันธรัฐจากข้อมูลที่แตกต่างกัน | mbzuai | ICLR | 2024 | [Pub] [PDF] [รหัส] |
เกี่ยวกับโจรบริบทเชิงเส้นแบบรวมที่แตกต่างกัน | มหาวิทยาลัยแห่งรัฐเวย์น | ICLR | 2024 | [Pub] [Supp] [PDF] |
การสื่อสารที่เป็นจริงสำหรับการสื่อสารที่เป็นจริงสำหรับโจรสหพันธ์ | มหาวิทยาลัยเวอร์จิเนีย | ICLR | 2024 | [Pub] [PDF] |
การปรับโดเมนแบบสหพันธรัฐหลักการ: การฉายการไล่ระดับสีและน้ำหนักอัตโนมัติ | uiuc | ICLR | 2024 | [ผับ] |
Fedp3: เครือข่ายที่เป็นส่วนตัวและเป็นมิตรกับความเป็นส่วนตัวภายใต้ความหลากหลายของโมเดล | Kaust | ICLR | 2024 | [ผับ] |
การสร้างพรอมต์ที่ขับเคลื่อนด้วยข้อความสำหรับโมเดลวิสัยทัศน์ภาษาในการเรียนรู้แบบสหพันธรัฐ | Robert Bosch LLC | ICLR | 2024 | [Pub] [PDF] |
การปรับปรุง LORA ในการเรียนรู้ที่เป็นส่วนตัว | มหาวิทยาลัยตะวันออกเฉียงเหนือ | ICLR | 2024 | [ผับ] |
Fedwon: การเรียนรู้หลายโดเมนที่ได้รับชัยชนะโดยไม่ต้องทำให้เป็นมาตรฐาน | Sony Ai | ICLR | 2024 | [Pub] [PDF] |
FedTrans: การประมาณค่ายูทิลิตี้ที่โปร่งใสสำหรับการเรียนรู้แบบสหพันธรัฐที่แข็งแกร่ง | tu delft | ICLR | 2024 | [ผับ] |
FedCompass: การเรียนรู้แบบสหพันธรัฐ Cross-Silo ที่มีประสิทธิภาพบนอุปกรณ์ไคลเอนต์ที่แตกต่าง | Anl; uiuc; NCSA | ICLR | 2024 | [Pub] [PDF] [Code] [Page] |
Bayesian Coreset Optimization สำหรับการเรียนรู้แบบสหพันธรัฐส่วนบุคคล | IIT Bombay | ICLR | 2024 | [ผับ] |
การเชื่อมต่อโหมดเชิงเส้นที่ชาญฉลาด | Ruhr-universtät Bochum | ICLR | 2024 | [Pub] [PDF] [Supp] |
ปลอมจนกระทั่งทำ: การเรียนรู้แบบรวมกับรุ่นฉันทามติที่มุ่งเน้น | sjtu | ICLR | 2024 | [Pub] [PDF] |
ซ่อนตัวอยู่ในสายตาธรรมดา: การปลอมแปลงการขโมยข้อมูลการโจมตีในการเรียนรู้แบบสหพันธรัฐ | อึมครึม | ICLR | 2024 | [Pub] [Supp] [PDF] |
การวิเคราะห์เวลา จำกัด ของการเรียนรู้การเสริมแรงของสหพันธ์ที่แตกต่างกันตามนโยบาย | มหาวิทยาลัยโคลัมเบีย | ICLR | 2024 | [Pub] [PDF] |
Adaptive Federated Learning กับลูกค้าที่ปรับจูนอัตโนมัติ | มหาวิทยาลัยข้าว | ICLR | 2024 | [Pub] [Supp] [PDF] |
การเรียนรู้ที่เป็นสหพันธ์แบ็คดอร์โดยการเป็นพิษ | น.ด | ICLR | 2024 | [Pub] [Supp] [PDF] |
q-learning แบบสหพันธรัฐ: การเพิ่มความเสียใจเชิงเส้นพร้อมค่าใช้จ่ายในการสื่อสารต่ำ | PSU | ICLR | 2024 | [Pub] [Supp] [PDF] |
Fedimpro: การวัดและปรับปรุงการอัปเดตลูกค้าในการเรียนรู้แบบรวม | Hkbu | ICLR | 2024 | [Pub] [PDF] |
ระยะห่างของ Wasserstein | เอ็มไอที | ICLR | 2024 | [Pub] [Supp] [PDF] |
การวิเคราะห์ที่ดีขึ้นของตัวอย่างต่อตัวอย่างและการตัดต่อการอัปเดตในการเรียนรู้แบบสหพันธรัฐ | DTU | ICLR | 2024 | [ผับ] |
FedCDA: การเรียนรู้แบบรวมกับการรวมตัวกันของการรวมตัวกัน | นทียู | ICLR | 2024 | [Pub] [Supp] |
การไล่ระดับสีข้ามชั้นภายในสำหรับการขยายความเป็นเนื้อเดียวกันไปสู่ความหลากหลายในการเรียนรู้แบบสหพันธรัฐ | ฮูก | ICLR | 2024 | [Pub] [PDF] |
โมเมนตัมเป็นประโยชน์ต่อการเรียนรู้แบบสหพันธรัฐที่ไม่ใช่ของ IID อย่างง่ายและพิสูจน์ได้ | PKU; upennen | ICLR | 2024 | [Pub] [PDF] |
การเพิ่มประสิทธิภาพการเพิ่มประสิทธิภาพของโจรที่ไม่ใช่เชิงเส้น | มหาวิทยาลัยเยล | ICLR | 2024 | [Pub] [PDF] |
การประเมินค่าการสนับสนุนที่เป็นธรรมและมีประสิทธิภาพสำหรับการเรียนรู้แบบสหพันธรัฐแนวตั้ง | หัวเว่ย | ICLR | 2024 | [Pub] [Supp] [PDF] [Code] |
demystifying การแลกเปลี่ยนความเป็นธรรมในระดับท้องถิ่นและระดับโลกในการเรียนรู้แบบสหพันธรัฐโดยใช้การสลายตัวของข้อมูลบางส่วน | UMCP | ICLR | 2024 | [Pub] [PDF] |
การเรียนรู้การเป็นตัวแทนที่ไม่เปลี่ยนแปลงเชิงสาเหตุสำหรับลูกค้าสหพันธรัฐที่ต่างกัน | polyu | ICLR | 2024 | [ผับ] |
Pefll: การเรียนรู้แบบรวมเป็นส่วนบุคคลโดยการเรียนรู้ที่จะเรียนรู้ | ist | ICLR | 2024 | [Pub] [Supp] [PDF] |
วิธีการไล่ระดับสีการไล่ระดับสีแบบไล่ระดับสีเพื่อการสื่อสารสำหรับความไม่เท่าเทียมกันแบบกระจาย: การวิเคราะห์แบบครบวงจรและการอัปเดตในท้องถิ่น | Jhu | ICLR | 2024 | [Pub] [Supp] [PDF] |
Fedinverse: การประเมินการรั่วไหลของความเป็นส่วนตัวในการเรียนรู้แบบสหพันธรัฐ | USQ | ICLR | 2024 | [Pub] [Supp] |
Fedda: วิธีการไล่ระดับสีแบบปรับตัวได้เร็วขึ้นสำหรับการปรับให้เหมาะสม | UMCP | ICLR | 2024 | [Pub] [Supp] [PDF] |
การฝึกอบรมที่แข็งแกร่งของโมเดลสหพันธรัฐที่มีการขาดฉลากอย่างมาก | Hkbu | ICLR | 2024 | [Pub] [PDF] [รหัส] |
การทำความเข้าใจการบรรจบกันและการวางนัยทั่วไปในการเรียนรู้แบบสหพันธรัฐผ่านทฤษฎีการเรียนรู้คุณสมบัติ | riken aip | ICLR | 2024 | [ผับ] |
สอน LLMS ถึง Phish: การขโมยข้อมูลส่วนตัวจากรูปแบบภาษา | มหาวิทยาลัยพรินซ์ตัน | ICLR | 2024 | [ผับ] |
เช่นน้ำมันและน้ำ: วิธีความทนทานของกลุ่มและการป้องกันพิษไม่ได้ผสม | UMCP | ICLR | 2024 | [ผับ] |
เร่งการบรรจบกันของวิธีลูกบอลหนักสุ่มภายใต้เสียงไล่ระดับสี anisotropic | Hkust | ICLR | 2024 | [Pub] [PDF] |
เพื่อกำจัดข้อ จำกัด ของฉลากอย่างหนักในการโจมตีแบบผกผันไล่ระดับสี | คาน | ICLR | 2024 | [Pub] [Supp] [PDF] [Code] |
การเพิ่มประสิทธิภาพจุดอานคอมโพสิตท้องถิ่น | มหาวิทยาลัยเพอร์ดู | ICLR | 2024 | [Pub] [PDF] |
การเสริมสร้างการฝึกอบรมระบบประสาทผ่านรูปแบบการเปลี่ยนแปลงที่สัมพันธ์กัน | tiit | ICLR | 2024 | [Pub] [PDF] |
EControl: Fast Distributed Optimization with Compression and Error Control | Saarland University | ICLR | 2024 | [PUB] [SUPP] [PDF] |
Constructing Adversarial Examples for Vertical Federated Learning: Optimal Client Corruption through Multi-Armed Bandit | HKUST | ICLR | 2024 | [ผับ] |
FedHyper: A Universal and Robust Learning Rate Scheduler for Federated Learning with Hypergradient Descent | UMCP | ICLR | 2024 | [PUB] [SUPP] [PDF] [CODE] |
Heterogeneous Personalized Federated Learning by Local-Global Updates Mixing via Convergence Rate | คยูเอชเค | ICLR | 2024 | [ผับ] |
Breaking Physical and Linguistic Borders: Multilingual Federated Prompt Tuning for Low-Resource Languages | University of Cambridge | ICLR | 2024 | [ผับ] |
Simple Minimax Optimal Byzantine Robust Algorithm for Nonconvex Objectives with Uniform Gradient Heterogeneity | NTT DATA Mathematical Systems Inc. | ICLR | 2024 | [ผับ] |
VFLAIR: A Research Library and Benchmark for Vertical Federated Learning | THU | ICLR | 2024 | [PUB] [PDF] [CODE] |
Incentive-Aware Federated Learning with Training-Time Model Rewards | NUS | ICLR | 2024 | [PUB] [SUPP] |
VertiBench: Advancing Feature Distribution Diversity in Vertical Federated Learning Benchmarks | NUS | ICLR | 2024 | [PUB] [PDF] [CODE] |
FedLoGe: Joint Local and Generic Federated Learning under Long-tailed Data | ZJU | ICLR | 2024 | [PUB] [SUPP] [PDF] |
SimFBO: Towards Simple, Flexible and Communication-efficient Federated Bilevel Learning | University at Buffalo | NeurIPS | 2023 | [PUB] [PDF] [SUPP] |
Mechanism Design for Collaborative Normal Mean Estimation | UW-Madison | NeurIPS | 2023 | [PUB] [PDF] |
Robust Distributed Learning: Tight Error Bounds and Breakdown Point under Data Heterogeneity | EPFL | NeurIPS | 2023 | [PUB] [PDF] [CODE] |
Incentives in Federated Learning: Equilibria, Dynamics, and Mechanisms for Welfare Maximization | UIUC | NeurIPS | 2023 | [PUB] [SUPP] |
Convergence Analysis of Sequential Federated Learning on Heterogeneous Data | BUPT | NeurIPS | 2023 | [PUB] [PDF] [CODE] |
Handling Data Heterogeneity via Architectural Design for Federated Visual Recognition | MBZUAI | NeurIPS | 2023 | [PUB] [PDF] [CODE] |
Private Federated Frequency Estimation: Adapting to the Hardness of the Instance | JHU | NeurIPS | 2023 | [PUB] [SUPP] [PDF] |
Zeroth-Order Methods for Nondifferentiable, Nonconvex, and Hierarchical Federated Optimization | Rutgers University | NeurIPS | 2023 | [PUB] [SUPP] [PDF] |
Incentivized Communication for Federated Bandits | University of Virginia | NeurIPS | 2023 | [PUB] [PDF] |
Multiply Robust Federated Estimation of Targeted Average Treatment Effects | Northeastern University | NeurIPS | 2023 | [PUB] [PDF] |
IBA: Towards Irreversible Backdoor Attacks in Federated Learning | Vanderbilt University; VinUniversity | NeurIPS | 2023 | [PUB] [SUPP] [CODE] |
EvoFed: Leveraging Evolutionary Strategies for Communication-Efficient Federated Learning | KAIST | NeurIPS | 2023 | [PUB] [SUPP] [PDF] |
Federated Linear Bandits with Finite Adversarial Actions | University of Virginia | NeurIPS | 2023 | [PUB] [SUPP] [PDF] |
FedNAR: Federated Optimization with Normalized Annealing Regularization | MBZUAI | NeurIPS | 2023 | [PUB] [SUPP] [PDF] [CODE] |
Guiding The Last Layer in Federated Learning with Pre-Trained Models | Concordia University | NeurIPS | 2023 | [PUB] [SUPP] [PDF] [CODE] |
Fine-Grained Theoretical Analysis of Federated Zeroth-Order Optimization | HZAU | NeurIPS | 2023 | [PUB] [SUPP] |
Navigating Data Heterogeneity in Federated Learning: A Semi-Supervised Approach for Object Detection | KAIST | NeurIPS | 2023 | [PUB] [SUPP] [PDF] [CODE] |
A Data-Free Approach to Mitigate Catastrophic Forgetting in Federated Class Incremental Learning for Vision Tasks | USC | NeurIPS | 2023 | [PUB] [PDF] [CODE] |
Is Heterogeneity Notorious? Taming Heterogeneity to Handle Test-Time Shift in Federated Learning | UTS | NeurIPS | 2023 | [PUB] [SUPP] |
One-Pass Distribution Sketch for Measuring Data Heterogeneity in Federated Learning | Rice University | NeurIPS | 2023 | [PUB] [SUPP] [CODE] |
Lockdown: Backdoor Defense for Federated Learning with Isolated Subspace Training | Gatech | NeurIPS | 2023 | [PUB] [SUPP] [CODE] |
FedGame: A Game-Theoretic Defense against Backdoor Attacks in Federated Learning | PSU; UIUC | NeurIPS | 2023 | [PUB] [SUPP] [CODE] |
Towards Personalized Federated Learning via Heterogeneous Model Reassembly | PSU | NeurIPS | 2023 | [PUB] [SUPP] [PDF] [CODE] |
Every Parameter Matters: Ensuring the Convergence of Federated Learning with Dynamic Heterogeneous Models Reduction | GWU | NeurIPS | 2023 | [PUB] [SUPP] [PDF] |
DFRD: Data-Free Robustness Distillation for Heterogeneous Federated Learning | อีซีเอ็นยู | NeurIPS | 2023 | [PUB] [SUPP] [PDF] [CODE] |
A Unified Solution for Privacy and Communication Efficiency in Vertical Federated Learning | Western University | NeurIPS | 2023 | [PUB] [SUPP] [CODE] |
RECESS Vaccine for Federated Learning: Proactive Defense Against Model Poisoning Attacks | Xidian University; University of Guelph; Zhejiang Key Laboratory of Multi-dimensional Perception Technology, Application and Cybersecurity | NeurIPS | 2023 | [PUB] [SUPP] [PDF] |
Federated Learning with Bilateral Curation for Partially Class-Disjoint Data | SJTU; Shanghai AI Laboratory | NeurIPS | 2023 | [PUB] [SUPP] [CODE] |
Federated Learning with Client Subsampling, Data Heterogeneity, and Unbounded Smoothness: A New Algorithm and Lower Bounds | GMU; SJTU | NeurIPS | 2023 | [PUB] [SUPP] [CODE] |
FedL2P: Federated Learning to Personalize | University of Cambridge; Samsung AI Center | NeurIPS | 2023 | [PUB] [SUPP] [PDF] [CODE] |
Adaptive Test-Time Personalization for Federated Learning | UIUC | NeurIPS | 2023 | [PUB] [PDF] [CODE] |
Federated Conditional Stochastic Optimization | University of Pittsburgh | NeurIPS | 2023 | [PUB] [SUPP] [PDF] [CODE] |
Federated Spectral Clustering via Secure Similarity Reconstruction | คยูเอชเค | NeurIPS | 2023 | [ผับ] |
Mobilizing Personalized Federated Learning in Infrastructure-Less and Heterogeneous Environments via Random Walk Stochastic ADMM | UM-Dearborn | NeurIPS | 2023 | [PUB] [SUPP] [PDF] |
FedGCN: Convergence-Communication Tradeoffs in Federated Training of Graph Convolutional Networks | CMU | NeurIPS | 2023 | [PUB] [SUPP] [PDF] [CODE] |
Federated Multi-Objective Learning | RIT | NeurIPS | 2023 | [PUB] [SUPP] [PDF] |
FLuID: Mitigating Stragglers in Federated Learning using Invariant Dropout | University of British Columbia; Gatech | NeurIPS | 2023 | [PUB] [SUPP] [PDF] [CODE] |
Resolving the Tug-of-War: A Separation of Communication and Learning in Federated Learning | University of Pittsburgh | NeurIPS | 2023 | [PUB] [SUPP] |
Communication-Efficient Federated Bilevel Optimization with Global and Local Lower Level Problems | University of Pittsburgh | NeurIPS | 2023 | [PUB] [SUPP] [PDF] |
StableFDG: Style and Attention Based Learning for Federated Domain Generalization | KAIST; Purdue University | NeurIPS | 2023 | [PUB] [PDF] |
Understanding How Consistency Works in Federated Learning via Stage-wise Relaxed Initialization | The University of Sydney | NeurIPS | 2023 | [PUB] [SUPP] [PDF] |
DELTA: Diverse Client Sampling for Fasting Federated Learning | CUHK; The Shenzhen Institute of Artificial Intelligence and Robotics for Society | NeurIPS | 2023 | [PUB] [SUPP] [PDF] |
Federated Compositional Deep AUC Maximization | Temple University | NeurIPS | 2023 | [PUB] [SUPP] [PDF] |
A3FL: Adversarially Adaptive Backdoor Attacks to Federated Learning | PSU | NeurIPS | 2023 | [PUB] [SUPP] [CODE] |
Flow: Per-instance Personalized Federated Learning | University of Massachusetts | NeurIPS | 2023 | [PUB] [SUPP] [PDF] [CODE] |
Eliminating Domain Bias for Federated Learning in Representation Space | SJTU | NeurIPS | 2023 | [PUB] [SUPP] [PDF] [CODE] |
Federated Learning with Manifold Regularization and Normalized Update Reaggregation | นิดหน่อย | NeurIPS | 2023 | [PUB] [SUPP] [PDF] |
Structured Federated Learning through Clustered Additive Modeling | University of Technology Sydney | NeurIPS | 2023 | [PUB] [SUPP] |
Fed-GraB: Federated Long-tailed Learning with Self-Adjusting Gradient Balancer | ZJU; Singapore University of Technology and Design | NeurIPS | 2023 | [PUB] [SUPP] [PDF] [CODE] |
Dynamic Personalized Federated Learning with Adaptive Differential Privacy | WHU | NeurIPS | 2023 | [PUB] [SUPP] [CODE] |
Fed-CO$_{2}$ : Cooperation of Online and Offline Models for Severe Data Heterogeneity in Federated Learning | ShanghaiTech University | NeurIPS | 2023 | [PUB] [SUPP] [PDF] [CODE] |
Solving a Class of Non-Convex Minimax Optimization in Federated Learning | University of Pittsburgh | NeurIPS | 2023 | [PUB] [SUPP] [PDF] [CODE] |
Federated Learning via Meta-Variational Dropout | SNU | NeurIPS | 2023 | [PUB] [CODE] |
Improved Communication Efficiency in Federated Natural Policy Gradient via ADMM-based Gradient Updates | Purdue University | NeurIPS | 2023 | [PUB] [SUPP] [PDF] |
SPACE: Single-round Participant Amalgamation for Contribution Evaluation in Federated Learning | นทียู | NeurIPS | 2023 | [PUB] [CODE] |
Fed-FA: Theoretically Modeling Client Data Divergence for Federated Language Backdoor Defense | PKU; เทนเซ็นต์ | NeurIPS | 2023 | [PUB] [SUPP] |
FedFed: Feature Distillation against Data Heterogeneity in Federated Learning | BUAA; HKBU | NeurIPS | 2023 | [PUB] [PDF] [CODE] |
PRIOR: Personalized Prior for Reactivating the Information Overlooked in Federated Learning | SCU | NeurIPS | 2023 | [PUB] [SUPP] [PDF] [CODE] [解读] |
Spectral Co-Distillation for Personalized Federated Learning | SUTD | NeurIPS | 2023 | [ผับ] |
Breaking the Communication-Privacy-Accuracy Tradeoff with | ZJU | NeurIPS | 2023 | [PUB] [SUPP] [PDF] |
Exact Optimality of Communication-Privacy-Utility Tradeoffs in Distributed Mean Estimation | Stanford University | NeurIPS | 2023 | [PUB] [SUPP] [PDF] [CODE] |
(Amplified) Banded Matrix Factorization: A unified approach to private training | Google DeepMind | NeurIPS | 2023 | [PUB] [SUPP] [PDF] |
Aggregating Capacity in FL through Successive Layer Training for Computationally-Constrained Devices | ชุด | NeurIPS | 2023 | [PUB] [SUPP] [PDF] [CODE] |
Privacy Amplification via Compression: Achieving the Optimal Privacy-Accuracy-Communication Trade-off in Distributed Mean Estimation | Stanford University | NeurIPS | 2023 | [PUB] [SUPP] [PDF] |
Incentivizing Honesty among Competitors in Collaborative Learning and Optimization | ETH Zurich | NeurIPS | 2023 | [PUB] [SUPP] [PDF] |
Resilient Constrained Learning | UPenn | NeurIPS | 2023 | [PUB] [SUPP] [PDF] |
A Computation and Communication Efficient Method for Distributed Nonconvex Problems in the Partial Participation Setting | KAUST | NeurIPS | 2023 | [PUB] [SUPP] [PDF] [CODE] |
Collaboratively Learning Linear Models with Structured Missing Data | Stanford University | NeurIPS | 2023 | [PUB] [SUPP] [PDF] [CODE] |
Gradient Descent with Linearly Correlated Noise: Theory and Applications to Differential Privacy | EPFL | NeurIPS | 2023 | [PUB] [SUPP] [PDF] |
Fast Optimal Locally Private Mean Estimation via Random Projections | Apple Inc. | NeurIPS | 2023 | [PUB] [SUPP] [PDF] [CODE] |
Contextual Stochastic Bilevel Optimization | EPFL; ETH Zürich | NeurIPS | 2023 | [PUB] [SUPP] [PDF] |
Understanding Deep Gradient Leakage via Inversion Influence Functions | MSU; Michigan State University; University of Texas at Austin | NeurIPS | 2023 | [PUB] [SUPP] [PDF] [CODE] |
Inner Product-based Neural Network Similarity | Purdue University | NeurIPS | 2023 | [PUB] [SUPP] |
Correlation Aware Sparsified Mean Estimation Using Random Projection | CMU | NeurIPS | 2023 | [PUB] [SUPP] [PDF] [CODE] |
TIES-Merging: Resolving Interference When Merging Models | UNC | NeurIPS | 2023 | [PUB] [SUPP] [PDF] [CODE] |
Global Update Tracking: A Decentralized Learning Algorithm for Heterogeneous Data | Purdue University | NeurIPS | 2023 | [PUB] [SUPP] [PDF] [CODE] |
Large-Scale Distributed Learning via Private On-Device LSH | UMD | NeurIPS | 2023 | [PUB] [SUPP] [PDF] |
Faster Relative Entropy Coding with Greedy Rejection Coding | University of Cambridge | NeurIPS | 2023 | [PUB] [SUPP] [PDF] [CODE] |
Global Convergence Analysis of Local SGD for Two-layer Neural Network without Overparameterization | SJTU | NeurIPS | 2023 | [PUB] [SUPP] |
Momentum Provably Improves Error Feedback! | ETH AI Center; ETH Zurich | NeurIPS | 2023 | [PUB] [SUPP] [PDF] |
Strategic Data Sharing between Competitors | Sofia University | NeurIPS | 2023 | [PUB] [SUPP] [PDF] |
H-nobs: Achieving Certified Fairness and Robustness in Distributed Learning on Heterogeneous Datasets | GMU | NeurIPS | 2023 | [ผับ] |
Wyze Rule: Federated Rule Dataset for Rule Recommendation Benchmarking | Wyze Labs | NeurIPS Datasets and Benchmarks | 2023 | [PUB] [SUPP] [DATASET] |
Towards Federated Foundation Models: Scalable Dataset Pipelines for Group-Structured Learning | Google Research | NeurIPS Datasets and Benchmarks | 2023 | [PUB] [PDF] [DATASET] |
Text-driven Prompt Generation for Vision-Language Models in Federated Learning | NeurIPS workshop | 2023 | [ผับ] | |
HePCo: Data-Free Heterogeneous Prompt Consolidation for Continual Federated Learning | NeurIPS workshop | 2023 | [ผับ] | |
Beyond Gradient and Priors in Privacy Attacks: Leveraging Pooler Layer Inputs of Language Models in Federated Learning | NeurIPS workshop | 2023 | [ผับ] | |
FOCUS: Fairness via Agent-Awareness for Federated Learning on Heterogeneous Data | NeurIPS workshop | 2023 | [ผับ] | |
FedSoL: Bridging Global Alignment and Local Generality in Federated Learning | NeurIPS workshop | 2023 | [ผับ] | |
One-shot Empirical Privacy Estimation for Federated Learning | NeurIPS workshop | 2023 | [ผับ] | |
Profit: Benchmarking Personalization and Robustness Trade-off in Federated Prompt Tuning | NeurIPS workshop | 2023 | [ผับ] | |
SLoRA: Federated Parameter Efficient Fine-Tuning of Language Models | NeurIPS workshop | 2023 | [ผับ] | |
The Fair Value of Data Under Heterogeneous Privacy Constraints in Federated Learning | NeurIPS workshop | 2023 | [ผับ] | |
Towards Building the FederatedGPT: Federated Instruction Tuning | NeurIPS workshop | 2023 | [ผับ] | |
Federated Learning for Speech Recognition: Revisiting Current Trends Towards Large-Scale ASR | NeurIPS workshop | 2023 | [ผับ] | |
LASER: Linear Compression in Wireless Distributed Optimization | NeurIPS workshop | 2023 | [ผับ] | |
MARINA Meets Matrix Stepsizes: Variance Reduced Distributed Non-Convex Optimization | NeurIPS workshop | 2023 | [ผับ] | |
TAMUNA: Doubly Accelerated Federated Learning with Local Training, Compression, and Partial Participation | NeurIPS workshop | 2023 | [ผับ] | |
An Empirical Evaluation of Federated Contextual Bandit Algorithms | NeurIPS workshop | 2023 | [ผับ] | |
RealFM: A Realistic Mechanism to Incentivize Data Contribution and Device Participation | NeurIPS workshop | 2023 | [ผับ] | |
FDAPT: Federated Domain-adaptive Pre-training for Language Models | NeurIPS workshop | 2023 | [ผับ] | |
Making Batch Normalization Great in Federated Deep Learning | NeurIPS workshop | 2023 | [ผับ] | |
Correlated Noise Provably Beats Independent Noise for Differentially Private Learning | NeurIPS workshop | 2023 | [ผับ] | |
Parameter Averaging Laws for Multitask Language Models | NeurIPS workshop | 2023 | [ผับ] | |
Breaking Physical and Linguistic Borders: Multilingual Federated Prompt Tuning for Low-Resource Languages | NeurIPS workshop | 2023 | [ผับ] | |
Beyond Parameter Averaging in Model Aggregation | NeurIPS workshop | 2023 | [ผับ] | |
Augmenting Federated Learning with Pretrained Transformers | NeurIPS workshop | 2023 | [ผับ] | |
Consensus Optimization at Representation: Improving Personalized Federated Learning via Data-Centric Regularization | NeurIPS workshop | 2023 | [ผับ] | |
DPZero: Dimension-Independent and Differentially Private Zeroth-Order Optimization | NeurIPS workshop | 2023 | [ผับ] | |
Leveraging Foundation Models to Improve Lightweight Clients in Federated Learning | NeurIPS workshop | 2023 | [ผับ] | |
FedML-HE: An Efficient Homomorphic-Encryption-Based Privacy-Preserving Federated Learning System | NeurIPS workshop | 2023 | [ผับ] | |
Learning Optimizers for Local SGD | NeurIPS workshop | 2023 | [ผับ] | |
Exploring User-level Gradient Inversion with a Diffusion Prior | NeurIPS workshop | 2023 | [ผับ] | |
User Inference Attacks on Large Language Models | NeurIPS workshop | 2023 | [ผับ] | |
FedLDA: Personalized Federated Learning Through Collaborative Linear Discriminant Analysis | NeurIPS workshop | 2023 | [ผับ] | |
Heterogeneous LoRA for Federated Fine-tuning of On-device Foundation Models | NeurIPS workshop | 2023 | [ผับ] | |
Backdoor Threats from Compromised Foundation Models to Federated Learning | NeurIPS workshop | 2023 | [ผับ] | |
MOFL/D: A Federated Multi-objective Learning Framework with Decomposition | NeurIPS workshop | 2023 | [ผับ] | |
Absolute Variation Distance: an Inversion Attack Evaluation Metric for Federated Learning | NeurIPS workshop | 2023 | [ผับ] | |
Fed3R: Recursive Ridge Regression for Federated Learning with strong pre-trained models | NeurIPS workshop | 2023 | [ผับ] | |
FedFN: Feature Normalization for Alleviating Data Heterogeneity Problem in Federated Learning | NeurIPS workshop | 2023 | [ผับ] | |
Private and Personalized Histogram Estimation in a Federated Setting | NeurIPS workshop | 2023 | [ผับ] | |
The Aggregation–Heterogeneity Trade-off in Federated Learning | PKU | COLT | 2023 | [ผับ] |
FLASH: Automating federated learning using CASH | Rensselaer Polytechnic Institute | UAI | 2023 | [PUB] [SUPP] [MATERIAL] |
Personalized federated domain adaptation for item-to-item recommendation | AWS AI Labs | UAI | 2023 | [PUB] [PDF] [SUPP] [MATERIAL] [CODE] |
Fed-LAMB: Layer-wise and Dimension-wise Locally Adaptive Federated Learning | Baidu Research | UAI | 2023 | [PUB] [PDF] [SUPP] [MATERIAL] |
Federated learning of models pre-trained on different features with consensus graphs | IBM Research | UAI | 2023 | [PUB] [SUPP] [MATERIAL] [CODE] |
Fast Heterogeneous Federated Learning with Hybrid Client Selection | NWPU | UAI | 2023 | [PUB] [SUPP] [MATERIAL] [PDF] |
Learning To Invert: Simple Adaptive Attacks for Gradient Inversion in Federated Learning | Cornell University | UAI | 2023 | [PUB] [PDF] [SUPP] [MATERIAL] [CODE] |
Dynamic Regularized Sharpness Aware Minimization in Federated Learning: Approaching Global Consistency and Smooth Landscape | The University of Sydney | ICML | 2023 | [PUB] [PDF] [SLIDES] |
Analysis of Error Feedback in Federated Non-Convex Optimization with Biased Compression: Fast Convergence and Partial Participation | LinkedIn Ads | ICML | 2023 | [PUB] [PDF] |
FedHPO-Bench: A Benchmark Suite for Federated Hyperparameter Optimization | Alibaba Group | ICML | 2023 | [PUB] [PDF] [CODE] |
Federated Conformal Predictors for Distributed Uncertainty Quantification | เอ็มไอที | ICML | 2023 | [PUB] [PDF] [CODE] |
Federated Adversarial Learning: A Framework with Convergence Analysis | UBC | ICML | 2023 | [PUB] [PDF] |
Federated Heavy Hitter Recovery under Linear Sketching | Google Research | ICML | 2023 | [PUB] [PDF] [CODE] |
Doubly Adversarial Federated Bandits | London School of Economics and Political Science | ICML | 2023 | [PUB] [PDF] [CODE] |
Achieving Linear Speedup in Non-IID Federated Bilevel Learning | UC | ICML | 2023 | [PUB] [PDF] |
One-Shot Federated Conformal Prediction | Université Paris-Saclay | ICML | 2023 | [PUB] [PDF] [CODE] |
Federated Online and Bandit Convex Optimization | TTIC | ICML | 2023 | [ผับ] |
Federated Linear Contextual Bandits with User-level Differential Privacy | The Pennsylvania State University | ICML | 2023 | [PUB] [PDF] |
Vertical Federated Graph Neural Network for Recommender System | NUS | ICML | 2023 | [PUB] [PDF] [CODE] |
Communication-Efficient Federated Hypergradient Computation via Aggregated Iterative Differentiation | University at Buffalo | ICML | 2023 | [PUB] [PDF] |
Towards Understanding Ensemble Distillation in Federated Learning | KAIST | ICML | 2023 | [ผับ] |
Personalized Subgraph Federated Learning | KAIST | ICML | 2023 | [PUB] [PDF] [CODE] |
Conformal Prediction for Federated Uncertainty Quantification Under Label Shift | Lagrange Mathematics and Computing Research Center; CMAP | ICML | 2023 | [PUB] [PDF] |
Secure Federated Correlation Test and Entropy Estimation | CMU | ICML | 2023 | [PUB] [PDF] |
Out-of-Distribution Generalization of Federated Learning via Implicit Invariant Relationships | JLU | ICML | 2023 | [PUB] [CODE] |
Personalized Federated Learning under Mixture of Distributions | UCLA | ICML | 2023 | [PUB] [PDF] [CODE] |
FedDisco: Federated Learning with Discrepancy-Aware Collaboration | SJTU | ICML | 2023 | [PUB] [PDF] [CODE] |
Anchor Sampling for Federated Learning with Partial Client Participation | Purdue University | ICML | 2023 | [PUB] [PDF] [CODE] |
Private Federated Learning with Autotuned Compression | JHU; Google | ICML | 2023 | [PUB] [PDF] |
Fast Federated Machine Unlearning with Nonlinear Functional Theory | มหาวิทยาลัยออเบิร์น | ICML | 2023 | [ผับ] |
On the Convergence of Federated Averaging with Cyclic Client Participation | CMU | ICML | 2023 | [PUB] [PDF] |
Revisiting Weighted Aggregation in Federated Learning with Neural Networks | ZJU | ICML | 2023 | [PUB] [PDF] [CODE] |
The Blessing of Heterogeneity in Federated Q-Learning: Linear Speedup and Beyond | CMU | ICML | 2023 | [PUB] [PDF] [SLIDES] |
GuardHFL: Privacy Guardian for Heterogeneous Federated Learning | UESTC; นทียู | ICML | 2023 | [ผับ] |
Flash: Concept Drift Adaptation in Federated Learning | University of Massachusetts | ICML | 2023 | [ผับ] |
DoCoFL: Downlink Compression for Cross-Device Federated Learning | VMware Research; Technion | ICML | 2023 | [PUB] [PDF] |
FeDXL: Provable Federated Learning for Deep X-Risk Optimization | Texas A&M University | ICML | 2023 | [PUB] [PDF] [CODE] |
No One Idles: Efficient Heterogeneous Federated Learning with Parallel Edge and Server Computation | ตี | ICML | 2023 | [PUB] [CODE] |
Personalized Federated Learning with Inferred Collaboration Graphs | SJTU | ICML | 2023 | [PUB] [CODE] |
Optimizing the Collaboration Structure in Cross-Silo Federated Learning | UIUC | ICML | 2023 | [PUB] [PDF] [CODE] [SLIDES] |
TabLeak: Tabular Data Leakage in Federated Learning | ETH Zurich | ICML | 2023 | [PUB] [PDF] [CODE] |
FedCR: Personalized Federated Learning Based on Across-Client Common Representation with Conditional Mutual Information Regularization | SJTU | ICML | 2023 | [PUB] [CODE] |
Fed-CBS: A Heterogeneity-Aware Client Sampling Mechanism for Federated Learning via Class-Imbalance Reduction | Duke University | ICML | 2023 | [PUB] [PDF] |
Privacy-Aware Compression for Federated Learning Through Numerical Mechanism Design | เมตาเอไอ | ICML | 2023 | [PUB] [PDF] [CODE] |
SRATTA: Sample Re-ATTribution Attack of Secure Aggregation in Federated Learning | Owkin Inc. | ICML | 2023 | [PUB] [PDF] [CODE] |
Improving the Model Consistency of Decentralized Federated Learning | THU | ICML | 2023 | [PUB] [PDF] |
Efficient Personalized Federated Learning via Sparse Model-Adaptation | Alibaba Group | ICML | 2023 | [PUB] [PDF] [CODE] |
From Noisy Fixed-Point Iterations to Private ADMM for Centralized and Federated Learning | Univ. Lille | ICML | 2023 | [PUB] [PDF] [CODE] |
LeadFL: Client Self-Defense against Model Poisoning in Federated Learning | TUD | ICML | 2023 | [PUB] [CODE] |
Chameleon: Adapting to Peer Images for Planting Durable Backdoors in Federated Learning | HKUST | ICML | 2023 | [PUB] [PDF] [CODE] |
FedVS: Straggler-Resilient and Privacy-Preserving Vertical Federated Learning for Split Models | HKUST | ICML | 2023 | [PUB] [PDF] |
FedBR: Improving Federated Learning on Heterogeneous Data via Local Learning Bias Reduction | CUHK; The Shenzhen Institute of Artificial Intelligence and Robotics for Society | ICML | 2023 | [PUB] [PDF] [CODE] |
Towards Unbiased Training in Federated Open-world Semi-supervised Learning | PolyU | ICML | 2023 | [PUB] [PDF] [SLIDES] |
Cocktail Party Attack: Breaking Aggregation-Based Privacy in Federated Learning Using Independent Component Analysis | Georgia Tech; เมตาเอไอ | ICML | 2023 | [PUB] [PDF] |
Surrogate Model Extension (SME): A Fast and Accurate Weight Update Attack on Federated Learning | KU Leuven | ICML | 2023 | [PUB] [PDF] [CODE] |
Fair yet Asymptotically Equal Collaborative Learning | NUS | ICML | 2023 | [PUB] [PDF] [CODE] |
Sketching for First Order Method: Efficient Algorithm for Low-Bandwidth Channel and Vulnerability | Adobe Research | ICML | 2023 | [PUB] [PDF] |
Adversarial Collaborative Learning on Non-IID Features | UC Berkeley; NUS | ICML | 2023 | [ผับ] |
XTab: Cross-table Pretraining for Tabular Transformers | EPFL; Cornell University; AWS | ICML | 2023 | [PUB] [PDF] [CODE] |
Momentum Ensures Convergence of SIGNSGD under Weaker Assumptions | NUDT | ICML | 2023 | [ผับ] |
Byzantine-Robust Learning on Heterogeneous Data via Gradient Splitting | Key Lab of Intelligent Computing Based Big Data of Zhejiang Province; ZJU; Sony Al | ICML | 2023 | [PUB] [PDF] [CODE] |
LESS-VFL: Communication-Efficient Feature Selection for Vertical Federated Learning | Rensselaer Polytechnic Institute | ICML | 2023 | [PUB] [PDF] |
FedAvg Converges to Zero Training Loss Linearly for Overparameterized Multi-Layer Neural Networks | University of Minnesota | ICML | 2023 | [ผับ] |
Addressing Budget Allocation and Revenue Allocation in Data Market Environments Using an Adaptive Sampling Algorithm | University of Chicago | ICML | 2023 | [PUB] [PDF] [CODE] |
Ensemble and continual federated learning for classification tasks. | Universidade de Santiago de Compostela | Mach Learn | 2023 | [PUB] [PDF] |
FAC-fed: Federated adaptation for fairness and concept drift aware stream classification | Leibniz University of Hannover | Mach Learn | 2023 | [ผับ] |
Robust federated learning under statistical heterogeneity via hessian-weighted aggregation | Deakin University | Mach Learn | 2023 | [ผับ] |
FedLab: A Flexible Federated Learning Framework | UESTC; Peng Cheng Lab | JMLR | 2023 | [PUB] [PDF] [CODE] |
Minimax Estimation for Personalized Federated Learning: An Alternative between FedAvg and Local Training? | JMLR | 2023 | [ผับ] | |
Memory-Based Optimization Methods for Model-Agnostic Meta-Learning and Personalized Federated Learning | TAMU | JMLR | 2023 | [PUB] [PDF] [CODE] |
A First Look into the Carbon Footprint of Federated Learning | University of Cambridge | JMLR | 2023 | [PUB] [PDF] |
Attacks against Federated Learning Defense Systems and their Mitigation | The University of Newcastle | JMLR | 2023 | [PUB] [CODE] |
A General Theory for Federated Optimization with Asynchronous and Heterogeneous Clients Updates | Universit ́e Cˆ ote d'Azur | JMLR | 2023 | [PUB] [PDF] [CODE] |
Tighter Regret Analysis and Optimization of Online Federated Learning | Hanyang University | TPAMI | 2023 | [PUB] [PDF] |
Efficient Federated Learning Via Local Adaptive Amended Optimizer With Linear Speedup | University of Sydney | TPAMI | 2023 | [PDF] |
Federated Learning Via Inexact ADMM. | BJTU | TPAMI | 2023 | [PUB] [PDF] [CODE] |
FedIPR: Ownership Verification for Federated Deep Neural Network Models | SJTU | TPAMI | 2023 | [PUB] [PDF] [CODE] [解读] |
Decentralized Federated Averaging | NUDT | TPAMI | 2023 | [PUB] [PDF] |
Personalized Federated Learning with Feature Alignment and Classifier Collaboration | THU | ICLR | 2023 | [PUB] [CODE] |
MocoSFL: enabling cross-client collaborative self-supervised learning | ASU | ICLR | 2023 | [PUB] [CODE] |
Single-shot General Hyper-parameter Optimization for Federated Learning | ไอบีเอ็ม | ICLR | 2023 | [PUB] [PDF] [CODE] |
Where to Begin? Exploring the Impact of Pre-Training and Initialization in Federated | เฟสบุ๊ค | ICLR | 2023 | [PUB] [PDF] [CODE] |
FedExP: Speeding up Federated Averaging via Extrapolation | CMU | ICLR | 2023 | [PUB] [PDF] [CODE] |
Turning the Curse of Heterogeneity in Federated Learning into a Blessing for Out-of-Distribution Detection | MSU | ICLR | 2023 | [PUB] [CODE] |
DASHA: Distributed Nonconvex Optimization with Communication Compression and Optimal Oracle Complexity | KAUST | ICLR | 2023 | [PUB] [PDF] [CODE] |
Machine Unlearning of Federated Clusters | University of Illinois | ICLR | 2023 | [PUB] [PDF] [CODE] |
Federated Neural Bandits | NUS | ICLR | 2023 | [PUB] [PDF] [CODE] |
FedFA: Federated Feature Augmentation | ETH Zurich | ICLR | 2023 | [PUB] [PDF] [CODE] |
Federated Learning as Variational Inference: A Scalable Expectation Propagation Approach | CMU | ICLR | 2023 | [PUB] [PDF] [CODE] |
Better Generative Replay for Continual Federated Learning | University of Virginia | ICLR | 2023 | [PUB] [CODE] |
Federated Learning from Small Datasets | IKIM | ICLR | 2023 | [PUB] [PDF] |
Federated Nearest Neighbor Machine Translation | USTC | ICLR | 2023 | [PUB] [PDF] |
Meta Knowledge Condensation for Federated Learning | A*STAR | ICLR | 2023 | [PUB] [PDF] |
Test-Time Robust Personalization for Federated Learning | EPFL | ICLR | 2023 | [PUB] [PDF] [CODE] |
DepthFL : Depthwise Federated Learning for Heterogeneous Clients | SNU | ICLR | 2023 | [ผับ] |
Towards Addressing Label Skews in One-Shot Federated Learning | NUS | ICLR | 2023 | [PUB] [CODE] |
Towards Understanding and Mitigating Dimensional Collapse in Heterogeneous Federated Learning | NUS | ICLR | 2023 | [PUB] [PDF] [CODE] |
Panning for Gold in Federated Learning: Targeted Text Extraction under Arbitrarily Large-Scale Aggregation | UMD | ICLR | 2023 | [PUB] [CODE] |
SWIFT: Rapid Decentralized Federated Learning via Wait-Free Model Communication | UMD | ICLR | 2023 | [PUB] [PDF] [CODE] |
Private Federated Learning Without a Trusted Server: Optimal Algorithms for Convex Losses | USC | ICLR | 2023 | [PUB] [PDF] [CODE] |
Effective passive membership inference attacks in federated learning against overparameterized models | Purdue University | ICLR | 2023 | [ผับ] |
FiT: Parameter Efficient Few-shot Transfer Learning for Personalized and Federated Image Classification | University of Cambridge | ICLR | 2023 | [PUB] [PDF] [CODE] |
Multimodal Federated Learning via Contrastive Representation Ensemble | THU | ICLR | 2023 | [PUB] [PDF] [CODE] |
Faster federated optimization under second-order similarity | Princeton University | ICLR | 2023 | [PUB] [PDF] [CODE] |
FedSpeed: Larger Local Interval, Less Communication Round, and Higher Generalization Accuracy | University of Sydney | ICLR | 2023 | [PUB] [CODE] |
The Best of Both Worlds: Accurate Global and Personalized Models through Federated Learning with Data-Free Hyper-Knowledge Distillation | utexas | ICLR | 2023 | [PUB] [PDF] [CODE] |
PerFedMask: Personalized Federated Learning with Optimized Masking Vectors | UBC | ICLR | 2023 | [PUB] [CODE] |
EPISODE: Episodic Gradient Clipping with Periodic Resampled Corrections for Federated Learning with Heterogeneous Data | GMU | ICLR | 2023 | [PUB] [CODE] |
FedDAR: Federated Domain-Aware Representation Learning | Harvard | ICLR | 2023 | [PUB] [PDF] [CODE] |
Share Your Representation Only: Guaranteed Improvement of the Privacy-Utility Tradeoff in Federated Learning | upenn | ICLR | 2023 | [PUB] [CODE] |
FLIP: A Provable Defense Framework for Backdoor Mitigation in Federated Learning | Purdue University | ICLR | 2023 | [PUB] [PDF] [CODE] |
Generalization Bounds for Federated Learning: Fast Rates, Unparticipating Clients and Unbounded Losses | RUC | ICLR | 2023 | [ผับ] |
Efficient Federated Domain Translation | Purdue University | ICLR | 2023 | [PUB] [CODE] |
On the Importance and Applicability of Pre-Training for Federated Learning | OSU | ICLR | 2023 | [PUB] [PDF] [CODE] |
Decepticons: Corrupted Transformers Breach Privacy in Federated Learning for Language Models | UMD | ICLR | 2023 | [PUB] [PDF] [CODE] |
A Statistical Framework for Personalized Federated Learning and Estimation: Theory, Algorithms, and Privacy | UCLA | ICLR | 2023 | [PUB] [PDF] |
Instance-wise Batch Label Restoration via Gradients in Federated Learning | BUAA | ICLR | 2023 | [PUB] [CODE] |
Data-Free One-Shot Federated Learning Under Very High Statistical Heterogeneity | College of William and Mary | ICLR | 2023 | [ผับ] |
CANIFE: Crafting Canaries for Empirical Privacy Measurement in Federated Learning | University of Warwick | ICLR | 2023 | [PUB] [PDF] [CODE] |
Sparse Random Networks for Communication-Efficient Federated Learning | สแตนฟอร์ด | ICLR | 2023 | [PUB] [PDF] [CODE] |
Combating Exacerbated Heterogeneity for Robust Decentralized Models | HKBU | ICLR | 2023 | [PUB] [CODE] |
Hyperparameter Optimization through Neural Network Partitioning | University of Cambridge | ICLR | 2023 | [PUB] [PDF] |
Does Decentralized Learning with Non-IID Unlabeled Data Benefit from Self Supervision? | เอ็มไอที | ICLR | 2023 | [PUB] [PDF] [CODE] |
Variance Reduction is an Antidote to Byzantines: Better Rates, Weaker Assumptions and Communication Compression as a Cherry on the Top | mbzuai | ICLR | 2023 | [PUB] [PDF] [CODE] |
Dual Diffusion Implicit Bridges for Image-to-Image Translation | สแตนฟอร์ด | ICLR | 2023 | [PUB] [PDF] [CODE] |
An accurate, scalable and verifiable protocol for federated differentially private averaging | INRIA Lille | Mach Learn | 2022 | [PUB] [PDF] |
Federated online clustering of bandits. | คยูเอชเค | UAI | 2022 | [PUB] [PDF] [CODE] |
Privacy-aware compression for federated data analysis. | เมตาเอไอ | UAI | 2022 | [PUB] [PDF] [CODE] |
Faster non-convex federated learning via global and local momentum. | UTEXAS | UAI | 2022 | [PUB] [PDF] |
Fedvarp: Tackling the variance due to partial client participation in federated learning. | CMU | UAI | 2022 | [PUB] [PDF] |
SASH: Efficient secure aggregation based on SHPRG for federated learning | CAS; CASTEST | UAI | 2022 | [PUB] [PDF] |
Bayesian federated estimation of causal effects from observational data | NUS | UAI | 2022 | [PUB] [PDF] |
Communication-Efficient Randomized Algorithm for Multi-Kernel Online Federated Learning | Hanyang University | TPAMI | 2022 | [ผับ] |
Lazily Aggregated Quantized Gradient Innovation for Communication-Efficient Federated Learning | ZJU | TPAMI | 2022 | [PUB] [CODE] |
Communication Acceleration of Local Gradient Methods via an Accelerated Primal-Dual Algorithm with an Inexact Prox | Moscow Institute of Physics and Technology | NeurIPS | 2022 | [PUB] [PDF] |
LAMP: Extracting Text from Gradients with Language Model Priors | ETHZ | NeurIPS | 2022 | [PUB] [CODE] |
FedAvg with Fine Tuning: Local Updates Lead to Representation Learning | utexas | NeurIPS | 2022 | [PUB] [PDF] |
On Convergence of FedProx: Local Dissimilarity Invariant Bounds, Non-smoothness and Beyond | NUIST | NeurIPS | 2022 | [PUB] [PDF] |
Improved Differential Privacy for SGD via Optimal Private Linear Operators on Adaptive Streams | WISC | NeurIPS | 2022 | [PUB] [CODE] |
Decentralized Gossip-Based Stochastic Bilevel Optimization over Communication Networks | Columbia University | NeurIPS | 2022 | [PUB] [PDF] |
Asymptotic Behaviors of Projected Stochastic Approximation: A Jump Diffusion Perspective | PKU | NeurIPS | 2022 | [ผับ] |
Subspace Recovery from Heterogeneous Data with Non-isotropic Noise | สแตนฟอร์ด | NeurIPS | 2022 | [PUB] [PDF] |
EF-BV: A Unified Theory of Error Feedback and Variance Reduction Mechanisms for Biased and Unbiased Compression in Distributed Optimization | KAUST | NeurIPS | 2022 | [PUB] [PDF] |
On-Demand Sampling: Learning Optimally from Multiple Distributions | UC Berkeley | NeurIPS | 2022 | [PUB] [CODE] |
Improved Utility Analysis of Private CountSketch | ไอทูยู | NeurIPS | 2022 | [PUB] [PDF] [CODE] |
Rate-Distortion Theoretic Bounds on Generalization Error for Distributed Learning | HUAWEI | NeurIPS | 2022 | [PUB] [CODE] |
Decentralized Local Stochastic Extra-Gradient for Variational Inequalities | phystech | NeurIPS | 2022 | [PUB] [PDF] |
BEER: Fast O(1/T) Rate for Decentralized Nonconvex Optimization with Communication Compression | Princeton | NeurIPS | 2022 | [PUB] [PDF] [CODE] |
Escaping Saddle Points with Bias-Variance Reduced Local Perturbed SGD for Communication Efficient Nonconvex Distributed Learning | มหาวิทยาลัยโตเกียว | NeurIPS | 2022 | [PUB] [PDF] |
Near-Optimal Collaborative Learning in Bandits | INRIA; Inserm | NeurIPS | 2022 | [PUB] [PDF] [CODE] |
Distributed Methods with Compressed Communication for Solving Variational Inequalities, with Theoretical Guarantees | phystech | NeurIPS | 2022 | [PUB] [PDF] |
Towards Optimal Communication Complexity in Distributed Non-Convex Optimization | TTIC | NeurIPS | 2022 | [PUB] [CODE] |
FedPop: A Bayesian Approach for Personalised Federated Learning | Skoltech | NeurIPS | 2022 | [PUB] [PDF] |
Fairness in Federated Learning via Core-Stability | UIUC | NeurIPS | 2022 | [PUB] [CODE] |
SecureFedYJ: a safe feature Gaussianization protocol for Federated Learning | Sorbonne Université | NeurIPS | 2022 | [PUB] [PDF] |
FedRolex: Model-Heterogeneous Federated Learning with Rolling Submodel Extraction | MSU | NeurIPS | 2022 | [PUB] [CODE] |
On Sample Optimality in Personalized Collaborative and Federated Learning | INRIA | NeurIPS | 2022 | [ผับ] |
DReS-FL: Dropout-Resilient Secure Federated Learning for Non-IID Clients via Secret Data Sharing | HKUST | NeurIPS | 2022 | [PUB] [PDF] |
FairVFL: A Fair Vertical Federated Learning Framework with Contrastive Adversarial Learning | THU | NeurIPS | 2022 | [ผับ] |
Variance Reduced ProxSkip: Algorithm, Theory and Application to Federated Learning | KAUST | NeurIPS | 2022 | [PUB] [PDF] |
VF-PS: How to Select Important Participants in Vertical Federated Learning, Efficiently and Securely? | WHU | NeurIPS | 2022 | [PUB] [CODE] |
DENSE: Data-Free One-Shot Federated Learning | ZJU | NeurIPS | 2022 | [PUB] [PDF] |
CalFAT: Calibrated Federated Adversarial Training with Label Skewness | ZJU | NeurIPS | 2022 | [PUB] [PDF] |
SAGDA: Achieving O(ϵ−2) Communication Complexity in Federated Min-Max Learning | OSU | NeurIPS | 2022 | [PUB] [PDF] |
Taming Fat-Tailed (“Heavier-Tailed” with Potentially Infinite Variance) Noise in Federated Learning | OSU | NeurIPS | 2022 | [PUB] [PDF] |
Personalized Federated Learning towards Communication Efficiency, Robustness and Fairness | PKU | NeurIPS | 2022 | [ผับ] |
Federated Submodel Optimization for Hot and Cold Data Features | SJTU | NeurIPS | 2022 | [ผับ] |
BooNTK: Convexifying Federated Learning using Bootstrapped Neural Tangent Kernels | UC Berkeley | NeurIPS | 2022 | [PUB] [PDF] |
Byzantine-tolerant federated Gaussian process regression for streaming data | PSU | NeurIPS | 2022 | [PUB] [CODE] |
SoteriaFL: A Unified Framework for Private Federated Learning with Communication Compression | CMU | NeurIPS | 2022 | [PUB] [PDF] |
Coresets for Vertical Federated Learning: Regularized Linear Regression and K-Means Clustering | เยล | NeurIPS | 2022 | [PUB] [PDF] [CODE] |
Communication Efficient Federated Learning for Generalized Linear Bandits | University of Virginia | NeurIPS | 2022 | [PUB] [CODE] |
Recovering Private Text in Federated Learning of Language Models | Princeton | NeurIPS | 2022 | [PUB] [PDF] [CODE] |
Federated Learning from Pre-Trained Models: A Contrastive Learning Approach | UTS | NeurIPS | 2022 | [PUB] [PDF] |
Global Convergence of Federated Learning for Mixed Regression | Northeastern University | NeurIPS | 2022 | [PUB] [PDF] |
Resource-Adaptive Federated Learning with All-In-One Neural Composition | JHU | NeurIPS | 2022 | [ผับ] |
Self-Aware Personalized Federated Learning | อเมซอน | NeurIPS | 2022 | [PUB] [PDF] |
A Communication-efficient Algorithm with Linear Convergence for Federated Minimax Learning | Northeastern University | NeurIPS | 2022 | [PUB] [PDF] |
An Adaptive Kernel Approach to Federated Learning of Heterogeneous Causal Effects | NUS | NeurIPS | 2022 | [ผับ] |
Sharper Convergence Guarantees for Asynchronous SGD for Distributed and Federated Learning | EPFL | NeurIPS | 2022 | [PUB] [PDF] |
Personalized Online Federated Multi-Kernel Learning | UCI | NeurIPS | 2022 | [ผับ] |
SemiFL: Semi-Supervised Federated Learning for Unlabeled Clients with Alternate Training | Duke University | NeurIPS | 2022 | [PUB] [PDF] [CODE] |
A Unified Analysis of Federated Learning with Arbitrary Client Participation | ไอบีเอ็ม | NeurIPS | 2022 | [PUB] [PDF] |
Preservation of the Global Knowledge by Not-True Distillation in Federated Learning | KAIST | NeurIPS | 2022 | [PUB] [PDF] [CODE] |
FedSR: A Simple and Effective Domain Generalization Method for Federated Learning | University of Oxford | NeurIPS | 2022 | [PUB] [CODE] |
Factorized-FL: Personalized Federated Learning with Parameter Factorization & Similarity Matching | KAIST | NeurIPS | 2022 | [PUB] [PDF] [CODE] |
A Simple and Provably Efficient Algorithm for Asynchronous Federated Contextual Linear Bandits | UC | NeurIPS | 2022 | [PUB] [PDF] |
Learning to Attack Federated Learning: A Model-based Reinforcement Learning Attack Framework | Tulane University | NeurIPS | 2022 | [ผับ] |
On Privacy and Personalization in Cross-Silo Federated Learning | CMU | NeurIPS | 2022 | [PUB] [PDF] |
A Coupled Design of Exploiting Record Similarity for Practical Vertical Federated Learning | NUS | NeurIPS | 2022 | [PUB] [PDF] [CODE] |
FLamby: Datasets and Benchmarks for Cross-Silo Federated Learning in Realistic Healthcare Settings | Owkin | NeurIPS Datasets and Benchmarks | 2022 | [PUB] [CODE] |
A Tree-based Model Averaging Approach for Personalized Treatment Effect Estimation from Heterogeneous Data Sources | University of Pittsburgh | ICML | 2022 | [PUB] [PDF] [CODE] |
Fast Composite Optimization and Statistical Recovery in Federated Learning | SJTU | ICML | 2022 | [PUB] [PDF] [CODE] |
Personalization Improves Privacy-Accuracy Tradeoffs in Federated Learning | NYU | ICML | 2022 | [PUB] [PDF] [CODE] |
The Fundamental Price of Secure Aggregation in Differentially Private Federated Learning | Stanford; Google Research | ICML | 2022 | [PUB] [PDF] [CODE] [SLIDE] |
The Poisson Binomial Mechanism for Unbiased Federated Learning with Secure Aggregation | Stanford; Google Research | ICML | 2022 | [PUB] [PDF] [CODE] |
DisPFL: Towards Communication-Efficient Personalized Federated Learning via Decentralized Sparse Training | USTC | ICML | 2022 | [PUB] [PDF] [CODE] |
FedNew: A Communication-Efficient and Privacy-Preserving Newton-Type Method for Federated Learning | University of Oulu | ICML | 2022 | [PUB] [PDF] [CODE] |
DAdaQuant: Doubly-adaptive quantization for communication-efficient Federated Learning | University of Cambridge | ICML | 2022 | [PUB] [PDF] [SLIDE] [CODE] |
Accelerated Federated Learning with Decoupled Adaptive Optimization | มหาวิทยาลัยออเบิร์น | ICML | 2022 | [PUB] [PDF] |
Federated Reinforcement Learning: Linear Speedup Under Markovian Sampling | Georgia Tech | ICML | 2022 | [PUB] [PDF] |
Multi-Level Branched Regularization for Federated Learning | Seoul National University | ICML | 2022 | [PUB] [PDF] [CODE] [PAGE] |
FedScale: Benchmarking Model and System Performance of Federated Learning at Scale | University of Michigan | ICML | 2022 | [PUB] [PDF] [CODE] |
Federated Learning with Positive and Unlabeled Data | XJTU | ICML | 2022 | [PUB] [PDF] [CODE] |
Deep Neural Network Fusion via Graph Matching with Applications to Model Ensemble and Federated Learning | SJTU | ICML | 2022 | [PUB] [CODE] |
Orchestra: Unsupervised Federated Learning via Globally Consistent Clustering | University of Michigan | ICML | 2022 | [PUB] [PDF] [CODE] |
Disentangled Federated Learning for Tackling Attributes Skew via Invariant Aggregation and Diversity Transferring | USTC | ICML | 2022 | [PUB] [PDF] [CODE] [SLIDE] [解读] |
Architecture Agnostic Federated Learning for Neural Networks | The University of Texas at Austin | ICML | 2022 | [PUB] [PDF] [SLIDE] |
Personalized Federated Learning through Local Memorization | Inria | ICML | 2022 | [PUB] [PDF] [CODE] |
Proximal and Federated Random Reshuffling | KAUST | ICML | 2022 | [PUB] [PDF] [CODE] |
Federated Learning with Partial Model Personalization | University of Washington | ICML | 2022 | [PUB] [PDF] [CODE] |
Generalized Federated Learning via Sharpness Aware Minimization | University of South Florida | ICML | 2022 | [PUB] [PDF] |
FedNL: Making Newton-Type Methods Applicable to Federated Learning | KAUST | ICML | 2022 | [PUB] [PDF] [VIDEO] [SLIDE] |
Federated Minimax Optimization: Improved Convergence Analyses and Algorithms | CMU | ICML | 2022 | [PUB] [PDF] [SLIDE] |
Virtual Homogeneity Learning: Defending against Data Heterogeneity in Federated Learning | Hong Kong Baptist University | ICML | 2022 | [PUB] [PDF] [CODE] [解读] |
FedNest: Federated Bilevel, Minimax, and Compositional Optimization | University of Michigan | ICML | 2022 | [PUB] [PDF] [CODE] |
EDEN: Communication-Efficient and Robust Distributed Mean Estimation for Federated Learning | VMware Research | ICML | 2022 | [PUB] [PDF] [CODE] |
Communication-Efficient Adaptive Federated Learning | Pennsylvania State University | ICML | 2022 | [PUB] [PDF] |
ProgFed: Effective, Communication, and Computation Efficient Federated Learning by Progressive Training | CISPA Helmholz Center for Information Security | ICML | 2022 | [PUB] [PDF] [SLIDE] [CODE] |
Fishing for User Data in Large-Batch Federated Learning via Gradient Magnification | University of Maryland | ICML | 2022 | [PUB] [PDF] [CODE] |
Anarchic Federated Learning | The Ohio State University | ICML | 2022 | [PUB] [PDF] |
QSFL: A Two-Level Uplink Communication Optimization Framework for Federated Learning | Nankai University | ICML | 2022 | [PUB] [CODE] |
Bitwidth Heterogeneous Federated Learning with Progressive Weight Dequantization | KAIST | ICML | 2022 | [PUB] [PDF] |
Neural Tangent Kernel Empowered Federated Learning | NC State University | ICML | 2022 | [PUB] [PDF] [CODE] |
Understanding Clipping for Federated Learning: Convergence and Client-Level Differential Privacy | UMN | ICML | 2022 | [PUB] [PDF] |
Personalized Federated Learning via Variational Bayesian Inference | CAS | ICML | 2022 | [PUB] [PDF] [SLIDE] [UC.] |
Federated Learning with Label Distribution Skew via Logits Calibration | ZJU | ICML | 2022 | [ผับ] |
Neurotoxin: Durable Backdoors in Federated Learning | Southeast University;Princeton | ICML | 2022 | [PUB] [PDF] [CODE] |
Resilient and Communication Efficient Learning for Heterogeneous Federated Systems | Michigan State University | ICML | 2022 | [ผับ] |
Minibatch vs Local SGD with Shuffling: Tight Convergence Bounds and Beyond | KAIST | ICLR (oral) | 2022 | [PUB] [CODE] |
Bayesian Framework for Gradient Leakage | ETH Zurich | ICLR | 2022 | [PUB] [PDF] [CODE] |
Federated Learning from only unlabeled data with class-conditional-sharing clients | The University of Tokyo; คยูเอชเค | ICLR | 2022 | [PUB] [CODE] |
FedChain: Chained Algorithms for Near-Optimal Communication Cost in Federated Learning | CMU; University of Illinois at Urbana-Champaign; University of Washington | ICLR | 2022 | [PUB] [PDF] |
Acceleration of Federated Learning with Alleviated Forgetting in Local Training | THU | ICLR | 2022 | [PUB] [PDF] [CODE] |
FedPara: Low-rank Hadamard Product for Communicatkion-Efficient Federated Learning | POSTECH | ICLR | 2022 | [PUB] [PDF] [CODE] |
An Agnostic Approach to Federated Learning with Class Imbalance | University of Pennsylvania | ICLR | 2022 | [PUB] [CODE] |
Efficient Split-Mix Federated Learning for On-Demand and In-Situ Customization | Michigan State University; The University of Texas at Austin | ICLR | 2022 | [PUB] [PDF] [CODE] |
Robbing the Fed: Directly Obtaining Private Data in Federated Learning with Modified Models | University of Maryland; NYU | ICLR | 2022 | [PUB] [PDF] [CODE] |
ZeroFL: Efficient On-Device Training for Federated Learning with Local Sparsity | University of Cambridge; University of Oxford | ICLR | 2022 | [PUB] [PDF] |
Diverse Client Selection for Federated Learning via Submodular Maximization | Intel; CMU | ICLR | 2022 | [PUB] [CODE] |
Recycling Model Updates in Federated Learning: Are Gradient Subspaces Low-Rank? | Purdue | ICLR | 2022 | [PUB] [PDF] [CODE] |
Diurnal or Nocturnal? Federated Learning of Multi-branch Networks from Periodically Shifting Distributions | University of Maryland; Google | ICLR | 2022 | [PUB] [CODE] |
Towards Model Agnostic Federated Learning Using Knowledge Distillation | EPFL | ICLR | 2022 | [PUB] [PDF] [CODE] |
Divergence-aware Federated Self-Supervised Learning | NTU; SenseTime | ICLR | 2022 | [PUB] [PDF] [CODE] |
What Do We Mean by Generalization in Federated Learning? | Stanford; Google | ICLR | 2022 | [PUB] [PDF] [CODE] |
FedBABU: Toward Enhanced Representation for Federated Image Classification | KAIST | ICLR | 2022 | [PUB] [PDF] [CODE] |
Byzantine-Robust Learning on Heterogeneous Datasets via Bucketing | EPFL | ICLR | 2022 | [PUB] [PDF] [CODE] |
Improving Federated Learning Face Recognition via Privacy-Agnostic Clusters | Aibee | ICLR Spotlight | 2022 | [PUB] [PDF] [PAGE] [解读] |
Hybrid Local SGD for Federated Learning with Heterogeneous Communications | University of Texas; Pennsylvania State University | ICLR | 2022 | [ผับ] |
On Bridging Generic and Personalized Federated Learning for Image Classification | The Ohio State University | ICLR | 2022 | [PUB] [PDF] [CODE] |
Minibatch vs Local SGD with Shuffling: Tight Convergence Bounds and Beyond | KAIST; เอ็มไอที | ICLR | 2022 | [PUB] [PDF] |
One-Shot Federated Learning: Theoretical Limits and Algorithms to Achieve Them. | JMLR | 2021 | [PUB] [CODE] | |
Constrained differentially private federated learning for low-bandwidth devices | UAI | 2021 | [PUB] [PDF] | |
Federated stochastic gradient Langevin dynamics | UAI | 2021 | [PUB] [PDF] | |
Federated Learning Based on Dynamic Regularization | BU; แขน | ICLR | 2021 | [PUB] [PDF] [CODE] |
Achieving Linear Speedup with Partial Worker Participation in Non-IID Federated Learning | The Ohio State University | ICLR | 2021 | [PUB] [PDF] |
HeteroFL: Computation and Communication Efficient Federated Learning for Heterogeneous Clients | Duke University | ICLR | 2021 | [PUB] [PDF] [CODE] |
FedMix: Approximation of Mixup under Mean Augmented Federated Learning | KAIST | ICLR | 2021 | [PUB] [PDF] |
Federated Learning via Posterior Averaging: A New Perspective and Practical Algorithms | CMU; Google | ICLR | 2021 | [PUB] [PDF] [CODE] |
Adaptive Federated Optimization | ICLR | 2021 | [PUB] [PDF] [CODE] | |
Personalized Federated Learning with First Order Model Optimization | Stanford; NVIDIA | ICLR | 2021 | [PUB] [PDF] [CODE] [UC.] |
FedBN: Federated Learning on Non-IID Features via Local Batch Normalization | Princeton | ICLR | 2021 | [PUB] [PDF] [CODE] |
FedBE: Making Bayesian Model Ensemble Applicable to Federated Learning | The Ohio State University | ICLR | 2021 | [PUB] [PDF] [CODE] |
Federated Semi-Supervised Learning with Inter-Client Consistency & Disjoint Learning | KAIST | ICLR | 2021 | [PUB] [PDF] [CODE] |
KD3A: Unsupervised Multi-Source Decentralized Domain Adaptation via Knowledge Distillation | ZJU | ICML | 2021 | [PUB] [PDF] [CODE] [解读] |
Gradient Disaggregation: Breaking Privacy in Federated Learning by Reconstructing the User Participant Matrix | Harvard University | ICML | 2021 | [PUB] [PDF] [VIDEO] [CODE] |
FL-NTK: A Neural Tangent Kernel-based Framework for Federated Learning Analysis | PKU; Princeton | ICML | 2021 | [PUB] [PDF] [VIDEO] |
Personalized Federated Learning using Hypernetworks | Bar-Ilan University; NVIDIA | ICML | 2021 | [PUB] [PDF] [CODE] [PAGE] [VIDEO] [解读] |
Federated Composite Optimization | Stanford; Google | ICML | 2021 | [PUB] [PDF] [CODE] [VIDEO] [SLIDE] |
Exploiting Shared Representations for Personalized Federated Learning | University of Texas at Austin; University of Pennsylvania | ICML | 2021 | [PUB] [PDF] [CODE] [VIDEO] |
Data-Free Knowledge Distillation for Heterogeneous Federated Learning | Michigan State University | ICML | 2021 | [PUB] [PDF] [CODE] [VIDEO] |
Federated Continual Learning with Weighted Inter-client Transfer | KAIST | ICML | 2021 | [PUB] [PDF] [CODE] [VIDEO] |
Federated Deep AUC Maximization for Hetergeneous Data with a Constant Communication Complexity | The University of Iowa | ICML | 2021 | [PUB] [PDF] [CODE] [VIDEO] |
Bias-Variance Reduced Local SGD for Less Heterogeneous Federated Learning | มหาวิทยาลัยโตเกียว | ICML | 2021 | [PUB] [PDF] [VIDEO] |
Federated Learning of User Verification Models Without Sharing Embeddings | Qualcomm | ICML | 2021 | [PUB] [PDF] [VIDEO] |
Clustered Sampling: Low-Variance and Improved Representativity for Clients Selection in Federated Learning | Accenture | ICML | 2021 | [PUB] [PDF] [CODE] [VIDEO] |
Ditto: Fair and Robust Federated Learning Through Personalization | CMU; Facebook AI | ICML | 2021 | [PUB] [PDF] [CODE] [VIDEO] |
Heterogeneity for the Win: One-Shot Federated Clustering | CMU | ICML | 2021 | [PUB] [PDF] [VIDEO] |
The Distributed Discrete Gaussian Mechanism for Federated Learning with Secure Aggregation | ICML | 2021 | [PUB] [PDF] [CODE] [VIDEO] | |
Debiasing Model Updates for Improving Personalized Federated Training | BU; แขน | ICML | 2021 | [PUB] [CODE] [VIDEO] |
One for One, or All for All: Equilibria and Optimality of Collaboration in Federated Learning | Toyota; Berkeley; Cornell University | ICML | 2021 | [PUB] [PDF] [CODE] [VIDEO] |
CRFL: Certifiably Robust Federated Learning against Backdoor Attacks | UIUC; ไอบีเอ็ม | ICML | 2021 | [PUB] [PDF] [CODE] [VIDEO] |
Federated Learning under Arbitrary Communication Patterns | Indiana University; อเมซอน | ICML | 2021 | [PUB] [VIDEO] |
CANITA: Faster Rates for Distributed Convex Optimization with Communication Compression | CMU | NeurIPS | 2021 | [PUB] [PDF] |
Boosting with Multiple Sources | NeurIPS | 2021 | [ผับ] | |
DRIVE: One-bit Distributed Mean Estimation | VMware | NeurIPS | 2021 | [PUB] [CODE] |
Gradient Driven Rewards to Guarantee Fairness in Collaborative Machine Learning | NUS | NeurIPS | 2021 | [PUB] [CODE] |
Gradient Inversion with Generative Image Prior | POSTECH | NeurIPS | 2021 | [PUB] [PDF] [CODE] |
Distributed Machine Learning with Sparse Heterogeneous Data | University of Oxford | NeurIPS | 2021 | [PUB] [PDF] |
Renyi Differential Privacy of The Subsampled Shuffle Model In Distributed Learning | UCLA | NeurIPS | 2021 | [PUB] [PDF] |
Sageflow: Robust Federated Learning against Both Stragglers and Adversaries | KAIST | NeurIPS | 2021 | [ผับ] |
CAFE: Catastrophic Data Leakage in Vertical Federated Learning | Rensselaer Polytechnic Institute; IBM Research | NeurIPS | 2021 | [PUB] [CODE] |
Fault-Tolerant Federated Reinforcement Learning with Theoretical Guarantee | NUS | NeurIPS | 2021 | [PUB] [PDF] [CODE] |
Optimality and Stability in Federated Learning: A Game-theoretic Approach | Cornell University | NeurIPS | 2021 | [PUB] [PDF] [CODE] |
QuPeD: Quantized Personalization via Distillation with Applications to Federated Learning | UCLA | NeurIPS | 2021 | [PUB] [PDF] [CODE] [解读] |
The Skellam Mechanism for Differentially Private Federated Learning | Google Research; CMU | NeurIPS | 2021 | [PUB] [PDF] [CODE] |
No Fear of Heterogeneity: Classifier Calibration for Federated Learning with Non-IID Data | NUS; หัวเว่ย | NeurIPS | 2021 | [PUB] [PDF] |
STEM: A Stochastic Two-Sided Momentum Algorithm Achieving Near-Optimal Sample and Communication Complexities for Federated Learning | UMN | NeurIPS | 2021 | [PUB] [PDF] |
Subgraph Federated Learning with Missing Neighbor Generation | Emory; UBC; Lehigh University | NeurIPS | 2021 | [PUB] [PDF] [CODE] [解读] |
Evaluating Gradient Inversion Attacks and Defenses in Federated Learning | Princeton | NeurIPS | 2021 | [PUB] [PDF] [CODE] |
Personalized Federated Learning With Gaussian Processes | Bar-Ilan University | NeurIPS | 2021 | [PUB] [PDF] [CODE] |
Differentially Private Federated Bayesian Optimization with Distributed Exploration | MIT; NUS | NeurIPS | 2021 | [PUB] [PDF] [CODE] |
Parameterized Knowledge Transfer for Personalized Federated Learning | PolyU | NeurIPS | 2021 | [PUB] [PDF] [CODE] |
Federated Reconstruction: Partially Local Federated Learning | Google Research | NeurIPS | 2021 | [PUB] [PDF] [CODE] [UC.] |
Fast Federated Learning in the Presence of Arbitrary Device Unavailability | THU; Princeton; เอ็มไอที | NeurIPS | 2021 | [PUB] [PDF] [CODE] |
FL-WBC: Enhancing Robustness against Model Poisoning Attacks in Federated Learning from a Client Perspective | Duke University; Accenture Labs | NeurIPS | 2021 | [PUB] [PDF] [CODE] |
FjORD: Fair and Accurate Federated Learning under heterogeneous targets with Ordered Dropout | KAUST; Samsung AI Center | NeurIPS | 2021 | [PUB] [PDF] |
Linear Convergence in Federated Learning: Tackling Client Heterogeneity and Sparse Gradients | University of Pennsylvania | NeurIPS | 2021 | [PUB] [PDF] [VIDEO] |
Federated Multi-Task Learning under a Mixture of Distributions | INRIA; Accenture Labs | NeurIPS | 2021 | [PUB] [PDF] [CODE] |
Federated Graph Classification over Non-IID Graphs | เอมอรี | NeurIPS | 2021 | [PUB] [PDF] [CODE] [解读] |
Federated Hyperparameter Tuning: Challenges, Baselines, and Connections to Weight-Sharing | CMU; Hewlett Packard Enterprise | NeurIPS | 2021 | [PUB] [PDF] [CODE] |
On Large-Cohort Training for Federated Learning | Google; CMU | NeurIPS | 2021 | [PUB] [PDF] [CODE] |
DeepReduce: A Sparse-tensor Communication Framework for Federated Deep Learning | KAUST; Columbia University; University of Central Florida | NeurIPS | 2021 | [PUB] [PDF] [CODE] |
PartialFed: Cross-Domain Personalized Federated Learning via Partial Initialization | หัวเว่ย | NeurIPS | 2021 | [PUB] [VIDEO] |
Federated Split Task-Agnostic Vision Transformer for COVID-19 CXR Diagnosis | KAIST | NeurIPS | 2021 | [PUB] [PDF] |
Addressing Algorithmic Disparity and Performance Inconsistency in Federated Learning | THU; Alibaba; Weill Cornell Medicine | NeurIPS | 2021 | [PUB] [PDF] [CODE] |
Federated Linear Contextual Bandits | The Pennsylvania State University; Facebook; University of Virginia | NeurIPS | 2021 | [PUB] [PDF] [CODE] |
Few-Round Learning for Federated Learning | KAIST | NeurIPS | 2021 | [ผับ] |
Breaking the centralized barrier for cross-device federated learning | EPFL; Google Research | NeurIPS | 2021 | [PUB] [CODE] [VIDEO] |
Federated-EM with heterogeneity mitigation and variance reduction | Ecole Polytechnique; Google Research | NeurIPS | 2021 | [PUB] [PDF] |
Delayed Gradient Averaging: Tolerate the Communication Latency for Federated Learning | MIT; Amazon; Google | NeurIPS | 2021 | [PUB] [PAGE] [SLIDE] |
FedDR – Randomized Douglas-Rachford Splitting Algorithms for Nonconvex Federated Composite Optimization | University of North Carolina at Chapel Hill; IBM Research | NeurIPS | 2021 | [PUB] [PDF] [CODE] |
Federated Adversarial Domain Adaptation | BU; Columbia University; Rutgers University | ICLR | 2020 | [PUB] [PDF] [CODE] |
DBA: Distributed Backdoor Attacks against Federated Learning | ZJU; IBM Research | ICLR | 2020 | [PUB] [CODE] |
Fair Resource Allocation in Federated Learning | CMU; Facebook AI | ICLR | 2020 | [PUB] [PDF] [CODE] |
Federated Learning with Matched Averaging | University of Wisconsin-Madison; IBM Research | ICLR | 2020 | [PUB] [PDF] [CODE] |
Differentially Private Meta-Learning | CMU | ICLR | 2020 | [PUB] [PDF] |
Generative Models for Effective ML on Private, Decentralized Datasets | ICLR | 2020 | [PUB] [PDF] [CODE] | |
On the Convergence of FedAvg on Non-IID Data | PKU | ICLR | 2020 | [PUB] [PDF] [CODE] [解读] |
FedBoost: A Communication-Efficient Algorithm for Federated Learning | ICML | 2020 | [PUB] [VIDEO] | |
FetchSGD: Communication-Efficient Federated Learning with Sketching | UC Berkeley; Johns Hopkins University; อเมซอน | ICML | 2020 | [PUB] [PDF] [VIDEO] [CODE] |
SCAFFOLD: Stochastic Controlled Averaging for Federated Learning | EPFL; Google | ICML | 2020 | [PUB] [PDF] [VIDEO] [UC.] [解读] |
Federated Learning with Only Positive Labels | ICML | 2020 | [PUB] [PDF] [VIDEO] | |
From Local SGD to Local Fixed-Point Methods for Federated Learning | Moscow Institute of Physics and Technology; KAUST | ICML | 2020 | [PUB] [PDF] [SLIDE] [VIDEO] |
Acceleration for Compressed Gradient Descent in Distributed and Federated Optimization | KAUST | ICML | 2020 | [PUB] [PDF] [SLIDE] [VIDEO] |
Differentially-Private Federated Linear Bandits | เอ็มไอที | NeurIPS | 2020 | [PUB] [PDF] [CODE] |
Federated Principal Component Analysis | University of Cambridge; Quine Technologies | NeurIPS | 2020 | [PUB] [PDF] [CODE] |
FedSplit: an algorithmic framework for fast federated optimization | UC Berkeley | NeurIPS | 2020 | [PUB] [PDF] |
Federated Bayesian Optimization via Thompson Sampling | NUS; เอ็มไอที | NeurIPS | 2020 | [PUB] [PDF] [CODE] |
Lower Bounds and Optimal Algorithms for Personalized Federated Learning | KAUST | NeurIPS | 2020 | [PUB] [PDF] |
Robust Federated Learning: The Case of Affine Distribution Shifts | UC Santa Barbara; เอ็มไอที | NeurIPS | 2020 | [PUB] [PDF] [CODE] |
An Efficient Framework for Clustered Federated Learning | UC Berkeley; DeepMind | NeurIPS | 2020 | [PUB] [PDF] [CODE] |
Distributionally Robust Federated Averaging | Pennsylvania State University | NeurIPS | 2020 | [PUB] [PDF] [CODE] |
Personalized Federated Learning with Moreau Envelopes | The University of Sydney | NeurIPS | 2020 | [PUB] [PDF] [CODE] |
Personalized Federated Learning with Theoretical Guarantees: A Model-Agnostic Meta-Learning Approach | MIT; UT Austin | NeurIPS | 2020 | [PUB] [PDF] [UC.] |
Group Knowledge Transfer: Federated Learning of Large CNNs at the Edge | USC | NeurIPS | 2020 | [PUB] [PDF] [CODE] [解读] |
Tackling the Objective Inconsistency Problem in Heterogeneous Federated Optimization | CMU; Princeton | NeurIPS | 2020 | [PUB] [PDF] [CODE] [UC.] |
Attack of the Tails: Yes, You Really Can Backdoor Federated Learning | University of Wisconsin-Madison | NeurIPS | 2020 | [PUB] [PDF] |
Federated Accelerated Stochastic Gradient Descent | สแตนฟอร์ด | NeurIPS | 2020 | [PUB] [PDF] [CODE] [VIDEO] |
Inverting Gradients - How easy is it to break privacy in federated learning? | University of Siegen | NeurIPS | 2020 | [PUB] [PDF] [CODE] |
Ensemble Distillation for Robust Model Fusion in Federated Learning | EPFL | NeurIPS | 2020 | [PUB] [PDF] [CODE] |
Throughput-Optimal Topology Design for Cross-Silo Federated Learning | INRIA | NeurIPS | 2020 | [PUB] [PDF] [CODE] |
Bayesian Nonparametric Federated Learning of Neural Networks | ไอบีเอ็ม | ICML | 2019 | [PUB] [PDF] [CODE] |
Analyzing Federated Learning through an Adversarial Lens | Princeton; ไอบีเอ็ม | ICML | 2019 | [PUB] [PDF] [CODE] |
Agnostic Federated Learning | ICML | 2019 | [PUB] [PDF] | |
cpSGD: Communication-efficient and differentially-private distributed SGD | Princeton; Google | NeurIPS | 2018 | [PUB] [PDF] |
Federated Multi-Task Learning | Stanford; USC; CMU | NeurIPS | 2017 | [PUB] [PDF] [CODE] |
Federated Learning papers accepted by top DM(Data Mining) conference and journal, Including KDD(ACM SIGKDD Conference on Knowledge Discovery and Data Mining) and WSDM(Web Search and Data Mining).
ชื่อ | Affiliation | Venue | ปี | วัสดุ |
---|---|---|---|---|
FedKDD: International Joint Workshop on Federated Learning for Data Mining and Graph Analytics | KDD Workshop | 2024 | [ผับ] | |
Is Aggregation the Only Choice? Federated Learning via Layer-wise Model Recombination | KDD | 2024 | [ผับ] | |
BadSampler: Harnessing the Power of Catastrophic Forgetting to Poison Byzantine-robust Federated Learning | KDD | 2024 | [ผับ] | |
Federated Graph Learning with Structure Proxy Alignment | KDD | 2024 | [ผับ] | |
HiFGL: A Hierarchical Framework for Cross-silo Cross-device Federated Graph Learning | KDD | 2024 | [ผับ] | |
FedSecurity: A Benchmark for Attacks and Defenses in Federated Learning and Federated LLMs | KDD | 2024 | [ผับ] | |
Distributed Harmonization: Federated Clustered Batch Effect Adjustment and Generalization | KDD | 2024 | [ผับ] | |
FederatedScope-LLM: A Comprehensive Package for Fine-tuning Large Language Models in Federated Learning | KDD | 2024 | [ผับ] | |
On the Convergence of Zeroth-Order Federated Tuning for Large Language Models | KDD | 2024 | [ผับ] | |
CASA: Clustered Federated Learning with Asynchronous Clients | KDD | 2024 | [ผับ] | |
FLAIM: AIM-based Synthetic Data Generation in the Federated Setting | KDD | 2024 | [ผับ] | |
Privacy-Preserving Federated Learning using Flower Framework | KDD | 2024 | [ผับ] | |
FedSAC: Dynamic Submodel Allocation for Collaborative Fairness in Federated Learning | KDD | 2024 | [ผับ] | |
FedNLR: Federated Learning with Neuron-wise Learning Rates | KDD | 2024 | [ผับ] | |
FedBiOT: LLM Local Fine-tuning in Federated Learning without Full Model | KDD | 2024 | [ผับ] | |
FLea: Addressing Data Scarcity and Label Skew in Federated Learning via Privacy-preserving Feature Augmentation | KDD | 2024 | [ผับ] | |
Preventing Strategic Behaviors in Collaborative Inference for Vertical Federated Learning | KDD | 2024 | [ผับ] | |
PeFAD: A Parameter-Efficient Federated Framework for Time Series Anomaly Detection | KDD | 2024 | [ผับ] | |
FedRoLA: Robust Federated Learning Against Model Poisoning via Layer-based Aggregation | KDD | 2024 | [ผับ] | |
FedGTP: Exploiting Inter-Client Spatial Dependency in Federated Graph-based Traffic Prediction | KDD | 2024 | [ผับ] | |
OpenFedLLM: Training Large Language Models on Decentralized Private Data via Federated Learning | KDD | 2024 | [ผับ] | |
Personalized Federated Continual Learning via Multi-Granularity Prompt | KDD | 2024 | [ผับ] | |
Enabling Collaborative Test-Time Adaptation in Dynamic Environment via Federated Learning | KDD | 2024 | [ผับ] | |
GPFedRec: Graph-Guided Personalization for Federated Recommendation | KDD | 2024 | [ผับ] | |
Asynchronous Vertical Federated Learning for Kernelized AUC Maximization | KDD | 2024 | [ผับ] | |
VertiMRF: Differentially Private Vertical Federated Data Synthesis | KDD | 2024 | [ผับ] | |
User Consented Federated Recommender System Against Personalized Attribute Inference Attack | HKUST | WSDM | 2024 | [PUB] [PDF] [CODE] |
Guardian: Guarding against Gradient Leakage with Provable Defense for Federated Learning | อีซีเอ็นยู | WSDM | 2024 | [ผับ] |
Privacy Matters: Vertical Federated Linear Contextual Bandits for Privacy Protected Recommendation | University of Cambridge | KDD | 2023 | [PUB] [PDF] |
FedDefender: Client-Side Attack-Tolerant Federated Learning | KAIST | KDD | 2023 | [PUB] [PDF] [CODE] |
FedAPEN: Personalized Cross-silo Federated Learning with Adaptability to Statistical Heterogeneity | ZJU | KDD | 2023 | [PUB] [CODE] |
FedPseudo: Privacy-Preserving Pseudo Value-Based Deep Learning Models for Federated Survival Analysis | UMBC | KDD | 2023 | [PUB] [PDF] |
ShapleyFL: Robust Federated Learning Based on Shapley Value | ZJU | KDD | 2023 | [PUB] [CODE] |
Federated Few-shot Learning | University of Virginia | KDD | 2023 | [PUB] [PDF] [CODE] |
Theoretical Convergence Guaranteed Resource-Adaptive Federated Learning with Mixed Heterogeneity | SDU | KDD | 2023 | [ผับ] |
Personalized Federated Learning with Parameter Propagation | UIUC | KDD | 2023 | [ผับ] |
Serverless Federated AUPRC Optimization for Multi-Party Collaborative Imbalanced Data Mining | University of Pittsburgh | KDD | 2023 | [PUB] [PDF] [CODE] |
CriticalFL: A Critical Learning Periods Augmented Client Selection Framework for Efficient Federated Learning | SUNY-Binghamton University | KDD | 2023 | [PUB] [PDF] |
FLAMES2Graph: An Interpretable Federated Multivariate Time Series Classification Framework | L3S Research Center | KDD | 2023 | [PUB] [PDF] |
FedCP: Separating Feature Information for Personalized Federated Learning via Conditional Policy | SJTU | KDD | 2023 | [PUB] [PDF] [CODE] |
Navigating Alignment for Non-identical Client Class Sets: A Label Name-Anchored Federated Learning Framework | UCSD | KDD | 2023 | [PUB] [PDF] [CODE] |
DM-PFL: Hitchhiking Generic Federated Learning for Efficient Shift-Robust Personalization | BUAA | KDD | 2023 | [PUB] [CODE] |
FS-REAL: Towards Real-World Cross-Device Federated Learning | Alibaba Group | KDD | 2023 | [PUB] [PDF] |
FedMultimodal: A Benchmark for Multimodal Federated Learning | USC | KDD | 2023 | [PUB] [PDF] [CODE] |
PrivateRec: Differentially Private Model Training and Online Serving for Federated News Recommendation | RUC | KDD | 2023 | [PUB] [PDF] [NEWS] |
Revisiting Personalized Federated Learning: Robustness Against Backdoor Attacks | HKUST; Alibaba Group | KDD | 2023 | [PUB] [PDF] [CODE] |
UA-FedRec: Untargeted Attack on Federated News Recommendation | USTC | KDD | 2023 | [PUB] [PDF] [CODE] |
International Workshop on Federated Learning for Distributed Data Mining | MSU | KDD Workshop Summaries | 2023 | [PUB] [PAGE] |
Is Normalization Indispensable for Multi-domain Federated Learning? | KDD workshop | 2023 | [ผับ] | |
Distributed Personalized Empirical Risk Minimization. | KDD workshop | 2023 | [ผับ] | |
Once-for-All Federated Learning: Learning From and Deploying to Heterogeneous Clients. | KDD workshop | 2023 | [ผับ] | |
SparseVFL: Communication-Efficient Vertical Federated Learning Based on Sparsification of Embeddings and Gradients. | KDD workshop | 2023 | [ผับ] | |
Optimization of User Resources in Federated Learning for Urban Sensing Applications | KDD workshop | 2023 | [ผับ] | |
FedLEGO: Enabling Heterogenous Model Cooperation via Brick Reassembly in Federated Learning. | KDD workshop | 2023 | [ผับ] | |
Federated Graph Analytics with Differential Privacy. | KDD workshop | 2023 | [ผับ] | |
Scaling Distributed Multi-task Reinforcement Learning with Experience Sharing. | KDD workshop | 2023 | [ผับ] | |
Uncertainty Quantification in Federated Learning for Heterogeneous Health Data | KDD workshop | 2023 | [ผับ] | |
A Systematic Evaluation of Federated Learning on Biomedical Natural Language Processing. | KDD workshop | 2023 | [ผับ] | |
Taming Heterogeneity to Deal with Test-Time Shift in Federated Learning. | KDD workshop | 2023 | [ผับ] | |
Federated Blood Supply Chain Demand Forecasting: A Case Study. | KDD workshop | 2023 | [ผับ] | |
Stochastic Clustered Federated Learning. | KDD workshop | 2023 | [ผับ] | |
A Privacy-Preserving Hybrid Federated Learning Framework for Financial Crime Detection. | KDD workshop | 2023 | [ผับ] | |
Exploring the Efficacy of Data-Decoupled Federated Learning for Image Classification and Medical Imaging Analysis. | KDD workshop | 2023 | [ผับ] | |
FedNoisy: A Federated Noisy Label Learning Benchmark | KDD workshop | 2023 | [ผับ] | |
Asynchronous Decentralized Federated Lifelong Learning for Landmark Localization in Medical Imaging | KDD workshop | 2023 | [ผับ] | |
Federated learning for competing risk analysis in healthcare. | KDD workshop | 2023 | [ผับ] | |
Federated Threat Detection for Smart Home IoT rules. | KDD workshop | 2023 | [ผับ] | |
Federated Unlearning for On-Device Recommendation | UQ | WSDM | 2023 | [PUB] [PDF] |
Collaboration Equilibrium in Federated Learning | THU | KDD | 2022 | [PUB] [PDF] [CODE] |
Connected Low-Loss Subspace Learning for a Personalization in Federated Learning | Ulsan National Institute of Science and Technology | KDD | 2022 | [PUB] [PDF] [CODE] |
FedMSplit: Correlation-Adaptive Federated Multi-Task Learning across Multimodal Split Networks | University of Virginia | KDD | 2022 | [ผับ] |
Communication-Efficient Robust Federated Learning with Noisy Labels | University of Pittsburgh | KDD | 2022 | [PUB] [PDF] |
FLDetector: Detecting Malicious Clients in Federated Learning via Checking Model-Updates Consistency | USTC | KDD | 2022 | [PUB] [PDF] [CODE] |
Practical Lossless Federated Singular Vector Decomposition Over Billion-Scale Data | HKUST | KDD | 2022 | [PUB] [PDF] [CODE] |
FedWalk: Communication Efficient Federated Unsupervised Node Embedding with Differential Privacy | SJTU | KDD | 2022 | [PUB] [PDF] |
FederatedScope-GNN: Towards a Unified, Comprehensive and Efficient Platform for Federated Graph Learning | อาลีบาบา | KDD (Best Paper Award) | 2022 | [PUB] [PDF] [CODE] |
Fed-LTD: Towards Cross-Platform Ride Hailing via Federated Learning to Dispatch | BUAA | KDD | 2022 | [PUB] [PDF] [解读] |
Felicitas: Federated Learning in Distributed Cross Device Collaborative Frameworks | USTC | KDD | 2022 | [PUB] [PDF] |
No One Left Behind: Inclusive Federated Learning over Heterogeneous Devices | Renmin University of China | KDD | 2022 | [PUB] [PDF] |
FedAttack: Effective and Covert Poisoning Attack on Federated Recommendation via Hard Sampling | THU | KDD | 2022 | [PUB] [PDF] [CODE] |
PipAttack: Poisoning Federated Recommender Systems for Manipulating Item Promotion | The University of Queensland | WSDM | 2022 | [PUB] [PDF] |
Fed2: Feature-Aligned Federated Learning | George Mason University; Microsoft; University of Maryland | KDD | 2021 | [PUB] [PDF] |
FedRS: Federated Learning with Restricted Softmax for Label Distribution Non-IID Data | มหาวิทยาลัยหนานจิง | KDD | 2021 | [PUB] [CODE] |
Federated Adversarial Debiasing for Fair and Trasnferable Representations | Michigan State University | KDD | 2021 | [PUB] [PAGE] [CODE] [SLIDE] |
Cross-Node Federated Graph Neural Network for Spatio-Temporal Data Modeling | USC | KDD | 2021 | [PUB] [CODE] [解读] |
AsySQN: Faster Vertical Federated Learning Algorithms with Better Computation Resource Utilization | Xidian University;JD Tech | KDD | 2021 | [PUB] [PDF] |
FLOP: Federated Learning on Medical Datasets using Partial Networks | Duke University | KDD | 2021 | [PUB] [PDF] [CODE] |
A Practical Federated Learning Framework for Small Number of Stakeholders | ETH Zürich | WSDM | 2021 | [PUB] [CODE] |
Federated Deep Knowledge Tracing | USTC | WSDM | 2021 | [PUB] [CODE] |
FedFast: Going Beyond Average for Faster Training of Federated Recommender Systems | University College Dublin | KDD | 2020 | [PUB] [VIDEO] |
Federated Doubly Stochastic Kernel Learning for Vertically Partitioned Data | JD Tech | KDD | 2020 | [PUB] [PDF] [VIDEO] |
Federated Online Learning to Rank with Evolution Strategies | Facebook AI Research | WSDM | 2019 | [PUB] [CODE] |
Federated Learning papers accepted by top Secure conference and journal, Including S&P(IEEE Symposium on Security and Privacy), CCS(Conference on Computer and Communications Security), USENIX Security(Usenix Security Symposium) and NDSS(Network and Distributed System Security Symposium).
ชื่อ | Affiliation | Venue | ปี | วัสดุ |
---|---|---|---|---|
Byzantine-Robust Decentralized Federated Learning | CCS | 2024 | [ผับ] | |
Not One Less: Exploring Interplay between User Profiles and Items in Untargeted Attacks against Federated Recommendation | CCS | 2024 | [ผับ] | |
Cross-silo Federated Learning with Record-level Personalized Differential Privacy. | CCS | 2024 | [ผับ] | |
Samplable Anonymous Aggregation for Private Federated Data Analysis | CCS | 2024 | [ผับ] | |
Camel: Communication-Efficient and Maliciously Secure Federated Learning in the Shuffle Model of Differential Privacy | CCS | 2024 | [ผับ] | |
Distributed Backdoor Attacks on Federated Graph Learning and Certified Defenses | CCS | 2024 | [ผับ] | |
Two-Tier Data Packing in RLWE-based Homomorphic Encryption for Secure Federated Learning. | CCS | 2024 | [ผับ] | |
Poster: Protection against Source Inference Attacks in Federated Learning using Unary Encoding and Shuffling. | CCS | 2024 | [ผับ] | |
Poster: End-to-End Privacy-Preserving Vertical Federated Learning using Private Cross-Organizational Data Collaboration. | CCS | 2024 | [ผับ] | |
FP-Fed: Privacy-Preserving Federated Detection of Browser Fingerprinting | NDSS | 2024 | [ผับ] | |
FreqFed: A Frequency Analysis-Based Approach for Mitigating Poisoning Attacks in Federated Learning | NDSS | 2024 | [ผับ] | |
Automatic Adversarial Adaption for Stealthy Poisoning Attacks in Federated Learning | NDSS | 2024 | [ผับ] | |
CrowdGuard: Federated Backdoor Detection in Federated Learning | NDSS | 2024 | [ผับ] | |
Protecting Label Distribution in Cross-Silo Federated Learning | S&P | 2024 | [ผับ] | |
FLShield: A Validation Based Federated Learning Framework to Defend Against Poisoning Attacks | S&P | 2024 | [ผับ] | |
BadVFL: Backdoor Attacks in Vertical Federated Learning | S&P | 2024 | [ผับ] | |
SHERPA: Explainable Robust Algorithms for Privacy-Preserved Federated Learning in Future Networks to Defend Against Data Poisoning Attacks | S&P | 2024 | [ผับ] | |
Loki: Large-scale Data Reconstruction Attack against Federated Learning through Model Manipulation | S&P | 2024 | [ผับ] | |
Poster: Towards Privacy-Preserving Federated Recommendation via Synthetic Interactions. | S&P Workshop | 2024 | [ผับ] | |
A Performance Analysis for Confidential Federated Learning. | S&P Workshop | 2024 | [ผับ] | |
Turning Privacy-preserving Mechanisms against Federated Learning | University of Pavia | CCS | 2023 | [PUB] [PDF] |
MESAS: Poisoning Defense for Federated Learning Resilient against Adaptive Attackers | University of Würzburg | CCS | 2023 | [ผับ] |
martFL: Enabling Utility-Driven Data Marketplace with a Robust and Verifiable Federated Learning Architecture | THU | CCS | 2023 | [PUB] [PDF] [CODE] |
Unraveling the Connections between Privacy and Certified Robustness in Federated Learning Against Poisoning Attacks | UIUC | CCS | 2023 | [PUB] [PDF] |
Poster: Verifiable Data Valuation with Strong Fairness in Horizontal Federated Learning | NSYSU | CCS | 2023 | [ผับ] |
Poster: Bridging Trust Gaps: Data Usage Transparency in Federated Data Ecosystems | RWTH Aachen University | CCS | 2023 | [ผับ] |
Every Vote Counts: Ranking-Based Training of Federated Learning to Resist Poisoning Attacks | University of Massachusetts Amherst | USENIX Security | 2023 | [PUB] [PDF] |
PrivateFL: Accurate, Differentially Private Federated Learning via Personalized Data Transformation | JHU | USENIX Security | 2023 | [PUB] [CODE] |
Gradient Obfuscation Gives a False Sense of Security in Federated Learning | NCSU | USENIX Security | 2023 | [PUB] [PDF] [CODE] |
FedVal: Different good or different bad in federated learning | AI Sweden | USENIX Security | 2023 | [PUB] [PDF] [CODE] |
Securing Federated Sensitive Topic Classification against Poisoning Attacks | IMDEA Networks Institute | NDSS | 2023 | [PUB] [PDF] [CODE] |
PPA: Preference Profiling Attack Against Federated Learning | NJUST | NDSS | 2023 | [PUB] [PDF] |
Turning Privacy-preserving Mechanisms against Federated Learning | University of Pavia; TU Delft; University of Padua; Radboud University | CCS | 2023 | [PUB] [PDF] [CODE] |
CERBERUS: Exploring Federated Prediction of Security Events | UCL London | CCS | 2022 | [PUB] [PDF] |
EIFFeL: Ensuring Integrity for Federated Learning | UW-Madison | CCS | 2022 | [PUB] [PDF] |
Eluding Secure Aggregation in Federated Learning via Model Inconsistency | SPRING Lab; EPFL | CCS | 2022 | [PUB] [PDF] [CODE] |
Federated Boosted Decision Trees with Differential Privacy | University of Warwick | CCS | 2022 | [PUB] [PDF] [CODE] |
FedRecover: Recovering from Poisoning Attacks in Federated Learning using Historical Information | Duke University | S&P | 2023 | [PUB] [PDF] |
Scalable and Privacy-Preserving Federated Principal Component Analysis | EPFL; Tune Insight SA | S&P | 2023 | [PUB] [PDF] |
SafeFL: MPC-friendly Framework for Private and Robust Federated Learning | TU Darmstadt | S&P Workshop | 2023 | [ผับ] |
On the Pitfalls of Security Evaluation of Robust Federated Learning. | umass | S&P Workshop | 2023 | [ผับ] |
BayBFed: Bayesian Backdoor Defense for Federated Learning | TU Darmstadt; UTSA | S&P | 2023 | [PUB] [PDF] |
3DFed: Adaptive and Extensible Framework for Covert Backdoor Attack in Federated Learning | PolyU | S&P | 2023 | [PUB] [CODE] |
RoFL: Robustness of Secure Federated Learning. | ETH Zurich | S&P | 2023 | [PUB] [PDF] [CODE] |
Flamingo: Multi-Round Single-Server Secure Aggregation with Applications to Private Federated Learning. | upenn | S&P | 2023 | [PUB] [CODE] |
ELSA: Secure Aggregation for Federated Learning with Malicious Actors. | S&P | 2023 | ||
Private, Efficient, and Accurate: Protecting Models Trained by Multi-party Learning with Differential Privacy | Fudan University | S&P | 2023 | [PUB] [PDF] |
Back to the Drawing Board: A Critical Evaluation of Poisoning Attacks on Production Federated Learning | University of Massachusetts | S&P | 2022 | [PUB] [VIDEO] |
SIMC: ML Inference Secure Against Malicious Clients at Semi-Honest Cost | Microsoft Research | USENIX Security | 2022 | [PUB] [PDF] [CODE] [VIDEO] [SUPP] |
Efficient Differentially Private Secure Aggregation for Federated Learning via Hardness of Learning with Errors | University of Vermont | USENIX Security | 2022 | [PUB] [SLIDE] [VIDEO] |
Label Inference Attacks Against Vertical Federated Learning | ZJU | USENIX Security | 2022 | [PUB] [SLIDE] [CODE] [VIDEO] |
FLAME: Taming Backdoors in Federated Learning | Technical University of Darmstadt | USENIX Security | 2022 | [PUB] [SLIDE] [PDF] [VIDEO] |
Local and Central Differential Privacy for Robustness and Privacy in Federated Learning | University at Buffalo, SUNY | NDSS | 2022 | [PUB] [PDF] [VIDEO] [UC.] |
Interpretable Federated Transformer Log Learning for Cloud Threat Forensics | University of the Incarnate Word | NDSS | 2022 | [PUB] [VIDEO] [UC.] |
FedCRI: Federated Mobile Cyber-Risk Intelligence | Technical University of Darmstadt | NDSS | 2022 | [PUB] [VIDEO] |
DeepSight: Mitigating Backdoor Attacks in Federated Learning Through Deep Model Inspection | Technical University of Darmstadt | NDSS | 2022 | [PUB] [PDF] [VIDEO] |
Private Hierarchical Clustering in Federated Networks | NUS | CCS | 2021 | [PUB] [PDF] |
FLTrust: Byzantine-robust Federated Learning via Trust Bootstrapping | Duke University | NDSS | 2021 | [PUB] [PDF] [CODE] [VIDEO] [SLIDE] |
POSEIDON: Privacy-Preserving Federated Neural Network Learning | EPFL | NDSS | 2021 | [PUB] [VIDEO] |
Manipulating the Byzantine: Optimizing Model Poisoning Attacks and Defenses for Federated Learning | University of Massachusetts Amherst | NDSS | 2021 | [PUB] [CODE] [VIDEO] |
SAFELearn: Secure Aggregation for private FEderated Learning | TU Darmstadt | S&P Workshop | 2021 | [ผับ] |
Local Model Poisoning Attacks to Byzantine-Robust Federated Learning | The Ohio State University | USENIX Security | 2020 | [PUB] [PDF] [CODE] [VIDEO] [SLIDE] |
A Reliable and Accountable Privacy-Preserving Federated Learning Framework using the Blockchain | มหาวิทยาลัยแคนซัส | CCS (Poster) | 2019 | [ผับ] |
IOTFLA : A Secured and Privacy-Preserving Smart Home Architecture Implementing Federated Learning | Université du Québéc á Montréal | S&P Workshop | 2019 | [ผับ] |
Comprehensive Privacy Analysis of Deep Learning: Passive and Active White-box Inference Attacks against Centralized and Federated Learning | University of Massachusetts Amherst | S&P | 2019 | [PUB] [VIDEO] [SLIDE] [CODE] |
Practical Secure Aggregation for Privacy Preserving Machine Learning | CCS | 2017 | [PUB] [PDF] [解读] [UC.] [UC] |
Federated Learning papers accepted by top CV(computer vision) conference and journal, Including CVPR(Computer Vision and Pattern Recognition), ICCV(IEEE International Conference on Computer Vision), ECCV(European Conference on Computer Vision), MM(ACM International Conference on Multimedia), IJCV(International Journal of Computer Vision).
ชื่อ | Affiliation | Venue | ปี | วัสดุ |
---|---|---|---|---|
DualFed: Enjoying both Generalization and Personalization in Federated Learning via Hierachical Representations | มม | 2024 | [ผับ] | |
One-shot-but-not-degraded Federated Learning | มม | 2024 | [ผับ] | |
Overcoming Spatial-Temporal Catastrophic Forgetting for Federated Class-Incremental Learning | มม | 2024 | [ผับ] | |
FedDEO: Description-Enhanced One-Shot Federated Learning with Diffusion Models | มม | 2024 | [ผับ] | |
Decoupling General and Personalized Knowledge in Federated Learning via Additive and Low-rank Decomposition | มม | 2024 | [ผับ] | |
CoAst: Validation-Free Contribution Assessment for Federated Learning based on Cross-Round Valuation | มม | 2024 | [ผับ] | |
Spatio-temporal Heterogeneous Federated Learning for Time Series Classification with Multi-view Orthogonal Training | มม | 2024 | [ผับ] | |
FedEvalFair: A Privacy-Preserving and Statistically Grounded Federated Fairness Evaluation Framework | มม | 2024 | [ผับ] | |
One-Shot Sequential Federated Learning for Non-IID Data by Enhancing Local Model Diversity | มม | 2024 | [ผับ] | |
FedSLS: Exploring Federated Aggregation in Saliency Latent Space | มม | 2024 | [ผับ] | |
Cluster-driven Personalized Federated Recommendation with Interest-aware Graph Convolution Network for Multimedia | มม | 2024 | [ผับ] | |
FedBCGD: Communication-Efficient Accelerated Block Coordinate Gradient Descent for Federated Learning | มม | 2024 | [ผับ] | |
Federated Morozov Regularization for Shortcut Learning in Privacy Preserving Learning with Watermarked Image Data | มม | 2024 | [ผับ] | |
Cross-Modal Meta Consensus for Heterogeneous Federated Learning | มม | 2024 | [ผับ] | |
Masked Random Noise for Communication-Efficient Federated Learning | มม | 2024 | [ผับ] | |
Heterogeneity-Aware Federated Deep Multi-View Clustering towards Diverse Feature Representations | มม | 2024 | [ผับ] | |
Adaptive Hierarchical Aggregation for Federated Object Detection | มม | 2024 | [ผับ] | |
FedCAFE: Federated Cross-Modal Hashing with Adaptive Feature Enhancement | มม | 2024 | [ผับ] | |
Federated Fuzzy C-means with Schatten-p Norm Minimization | มม | 2024 | [ผับ] | |
Towards Effective Federated Graph Anomaly Detection via Self-boosted Knowledge Distillation | มม | 2024 | [ผับ] | |
Physics-Driven Spectrum-Consistent Federated Learning for Palmprint Verification | IJCV | 2024 | [ผับ] | |
FedHide: Federated Learning by Hiding in the Neighbors | ECCV | 2024 | [ผับ] | |
FedVAD: Enhancing Federated Video Anomaly Detection with GPT-Driven Semantic Distillation | ECCV | 2024 | [ผับ] | |
FedRA: A Random Allocation Strategy for Federated Tuning to Unleash the Power of Heterogeneous Clients | ECCV | 2024 | [ผับ] | |
Pick-a-Back: Selective Device-to-Device Knowledge Transfer in Federated Continual Learning | ECCV | 2024 | [ผับ] | |
Federated Learning with Local Openset Noisy Labels | ECCV | 2024 | [ผับ] | |
FedTSA: A Cluster-Based Two-Stage Aggregation Method for Model-Heterogeneous Federated Learning. | ECCV | 2024 | [ผับ] | |
Overcome Modal Bias in Multi-modal Federated Learning via Balanced Modality Selection | ECCV | 2024 | [ผับ] | |
BAFFLE: A Baseline of Backpropagation-Free Federated Learning | ECCV | 2024 | [ผับ] | |
PILoRA: Prototype Guided Incremental LoRA for Federated Class-Incremental Learning | ECCV | 2024 | [ผับ] | |
Fisher Calibration for Backdoor-Robust Heterogeneous Federated Learning | ECCV | 2024 | [ผับ] | |
Unlocking the Potential of Federated Learning: The Symphony of Dataset Distillation via Deep Generative Latents | ECCV | 2024 | [ผับ] | |
FedHARM: Harmonizing Model Architectural Diversity in Federated Learning | ECCV | 2024 | [ผับ] | |
SuperFedNAS: Cost-Efficient Federated Neural Architecture Search for On-device Inference. | ECCV | 2024 | [ผับ] | |
Personalized Federated Domain-Incremental Learning Based on Adaptive Knowledge Matching. | ECCV | 2024 | [ผับ] | |
Diffusion-Driven Data Replay: A Novel Approach to Combat Forgetting in Federated Class Continual Learning | ECCV | 2024 | [ผับ] | |
Towards Multi-modal Transformers in Federated Learning | ECCV | 2024 | [ผับ] | |
Local and Global Flatness for Federated Domain Generalization | ECCV | 2024 | [ผับ] | |
Feature Diversification and Adaptation for Federated Domain Generalization | ECCV | 2024 | [ผับ] | |
PFEDEDIT: Personalized Federated Learning via Automated Model Editing | ECCV | 2024 | [ผับ] | |
FedHCA2: Towards Hetero-Client Federated Multi-Task Learning | SJTU | CVPR | 2024 | [PUB] [SUPP] [PDF] [CODE] |
Fair Federated Learning under Domain Skew with Local Consistency and Domain Diversity | WHU | CVPR | 2024 | [PUB] [PDF] [CODE] |
Think Twice Before Selection: Federated Evidential Active Learning for Medical Image Analysis with Domain Shifts | NWPU; HKUST | CVPR | 2024 | [PUB] [SUPP] [PDF] [CODE] |
FedMef: Towards Memory-efficient Federated Dynamic Pruning | คยูเอชเค | CVPR | 2024 | [PUB] [SUPP] [PDF] |
Communication-Efficient Federated Learning with Accelerated Client Gradient | SNU | CVPR | 2024 | [PUB] [SUPP] [PDF] [CODE] |
Revamping Federated Learning Security from a Defender's Perspective: A Unified Defense with Homomorphic Encrypted Data Space | IITH | CVPR | 2024 | [PUB] [SUPP] [CODE] |
Adaptive Hyper-graph Aggregation for Modality-Agnostic Federated Learning | TJUT | CVPR | 2024 | [PUB] [SUPP] [CODE] |
Towards Efficient Replay in Federated Incremental Learning | HUST | CVPR | 2024 | [PUB] [SUPP] [PDF] |
Mixed-Precision Quantization for Federated Learning on Resource-Constrained Heterogeneous Devices | ยูทาห์ | CVPR | 2024 | [PUB] [SUPP] [PDF] |
Data Valuation and Detections in Federated Learning | NUS | CVPR | 2024 | [PUB] [SUPP] [PDF] [CODE] |
Decentralized Directed Collaboration for Personalized Federated Learning | NJUST | CVPR | 2024 | [PUB] [SUPP] [PDF] |
Unlocking the Potential of Prompt-Tuning in Bridging Generalized and Personalized Federated Learning | UBC | CVPR | 2024 | [PUB] [SUPP] [PDF] [CODE] |
Global and Local Prompts Cooperation via Optimal Transport for Federated Learning | ShanghaiTech University | CVPR | 2024 | [PUB] [SUPP] [PDF] [CODE] |
Rethinking the Representation in Federated Unsupervised Learning with Non-IID Data | ZJU | CVPR | 2024 | [PUB] [SUPP] [PDF] [CODE] |
Relaxed Contrastive Learning for Federated Learning | SNU | CVPR | 2024 | [PUB] [SUPP] [PDF] [CODE] |
Leak and Learn: An Attacker's Cookbook to Train Using Leaked Data from Federated Learning | Purdue University | CVPR | 2024 | [PUB] [SUPP] [PDF] [VIDEO] |
Traceable Federated Continual Learning | BUPT | CVPR | 2024 | [PUB] [SUPP] [CODE] |
Federated Online Adaptation for Deep Stereo | University of Bologna | CVPR | 2024 | [PUB] [SUPP] [PDF] [CODE] [PAGE] [VIDEO] |
Federated Generalized Category Discovery | UniTn | CVPR | 2024 | [PUB] [SUPP] [PDF] [CODE] |
Efficiently Assemble Normalization Layers and Regularization for Federated Domain Generalization | น.ด | CVPR | 2024 | [PUB] [SUPP] [PDF] [CODE] |
Text-Enhanced Data-free Approach for Federated Class-Incremental Learning | Monash University | CVPR | 2024 | [PUB] [SUPP] [PDF] [CODE] |
PerAda: Parameter-Efficient Federated Learning Personalization with Generalization Guarantees | UIUC; NVIDIA | CVPR | 2024 | [PUB] [SUPP] [PDF] [CODE] |
FedSOL: Stabilized Orthogonal Learning with Proximal Restrictions in Federated Learning | KAIST | CVPR | 2024 | [PUB] [SUPP] [PDF] [CODE] |
FedUV: Uniformity and Variance for Heterogeneous Federated Learning | UC Davis | CVPR | 2024 | [PUB] [SUPP] [PDF] |
FedAS: Bridging Inconsistency in Personalized Federated Learning | WHU | CVPR | 2024 | [PUB] [CODE] |
FedSelect: Personalized Federated Learning with Customized Selection of Parameters for Fine-Tuning | Lapis Labs | CVPR | 2024 | [PUB] [SUPP] [PDF] [CODE] |
Device-Wise Federated Network Pruning | PITT | CVPR | 2024 | [PUB] [SUPP] |
Byzantine-robust Decentralized Federated Learning via Dual-domain Clustering and Trust Bootstrapping | HNU; PolyU; AIRS | CVPR | 2024 | [PUB] [SUPP] |
DiPrompT: Disentangled Prompt Tuning for Multiple Latent Domain Generalization in Federated Learning | HKUST; PolyU | CVPR | 2024 | [PUB] [SUPP] [PDF] |
An Upload-Efficient Scheme for Transferring Knowledge From a Server-Side Pre-trained Generator to Clients in Heterogeneous Federated Learning | SJTU | CVPR | 2024 | [PUB] [SUPP] [PDF] [CODE] [POSTER] [SLIDES] |
An Aggregation-Free Federated Learning for Tackling Data Heterogeneity | A* STAR | CVPR | 2024 | [PUB] [SUPP] [PDF] |
FLHetBench: Benchmarking Device and State Heterogeneity in Federated Learning | BUAA; HKU | CVPR | 2024 | [PUB] [SUPP] [CODE] [PAGE] [POSTER] [VIDEO] |
Collaborative Visual Place Recognition through Federated Learning | CVPR workshop | 2024 | [PUB] [SUPP] [PDF] | |
FedProK: Trustworthy Federated Class-Incremental Learning via Prototypical Feature Knowledge Transfer | CVPR workshop | 2024 | [PUB] [SUPP] [PDF] | |
Federated Hyperparameter Optimization Through Reward-Based Strategies: Challenges and Insights | CVPR workshop | 2024 | [ผับ] | |
On the Efficiency of Privacy Attacks in Federated Learning | CVPR workshop | 2024 | [PUB] [PDF] | |
FedCE: Personalized Federated Learning Method based on Clustering Ensembles | BJTU | มม | 2023 | [ผับ] |
FedVQA: Personalized Federated Visual Question Answering over Heterogeneous Scenes | Leiden University | มม | 2023 | [ผับ] |
Towards Fast and Stable Federated Learning: Confronting Heterogeneity via Knowledge Anchor | XJTU | มม | 2023 | [PUB] [PDF] [CODE] |
Federated Deep Multi-View Clustering with Global Self-Supervision | UESTC | มม | 2023 | [PUB] [PDF] |
FedAA: Using Non-sensitive Modalities to Improve Federated Learning while Preserving Image Privacy | ZJU | มม | 2023 | [ผับ] |
Prototype-guided Knowledge Transfer for Federated Unsupervised Cross-modal Hashing | SDNU | มม | 2023 | [PUB] [CODE] |
Joint Local Relational Augmentation and Global Nash Equilibrium for Federated Learning with Non-IID Data | ZJU | มม | 2023 | [PUB] [PDF] |
FedCD: A Classifier Debiased Federated Learning Framework for Non-IID Data | BUPT | มม | 2023 | [ผับ] |
Federated Learning with Label-Masking Distillation | UCAS | มม | 2023 | [PUB] [CODE] |
Cross-Silo Prototypical Calibration for Federated Learning with Non-IID Data | SDU | มม | 2023 | [PUB] [PDF] [CODE] |
A Four-Pronged Defense Against Byzantine Attacks in Federated Learning | HUST | มม | 2023 | [PUB] [PDF] |
Client-Adaptive Cross-Model Reconstruction Network for Modality-Incomplete Multimodal Federated Learning | CAS; Peng Cheng Laboratory; UCAS | มม | 2023 | [ผับ] |
FedGH: Heterogeneous Federated Learning with Generalized Global Header | NKU | มม | 2023 | [PUB] [PDF] [CODE] |
Cuing Without Sharing: A Federated Cued Speech Recognition Framework via Mutual Knowledge Distillation | คยูเอชเค | มม | 2023 | [PUB] [PDF] [CODE] |
AffectFAL: Federated Active Affective Computing with Non-IID Data | TJUT | มม | 2023 | [PUB] [CODE] |
Improving Federated Person Re-Identification through Feature-Aware Proximity and Aggregation | SZU | มม | 2023 | [ผับ] |
Towards Attack-tolerant Federated Learning via Critical Parameter Analysis | KAIST | ICCV | 2023 | [PUB] [PDF] [CODE] [SUPP] |
Efficient Model Personalization in Federated Learning via Client-Specific Prompt Generation | NTU; NVIDIA | ICCV | 2023 | [PUB] [PDF] [SUPP] |
Generative Gradient Inversion via Over-Parameterized Networks in Federated Learning | A*STAR | ICCV | 2023 | [PUB] [CODE] [SUPP] |
GPFL: Simultaneously Learning Global and Personalized Feature Information for Personalized Federated Learning | SJTU | ICCV | 2023 | [PUB] [PDF] [CODE] [SUPP] |
Workie-Talkie: Accelerating Federated Learning by Overlapping Computing and Communications via Contrastive Regularization | University of Houston | ICCV | 2023 | [PUB] [SUPP] |
PGFed: Personalize Each Client's Global Objective for Federated Learning | University of Pittsburgh | ICCV | 2023 | [PUB] [PDF] [CODE] [SUPP] |
FedPerfix: Towards Partial Model Personalization of Vision Transformers in Federated Learning | UCF | ICCV | 2023 | [PUB] [PDF] [CODE] [SUPP] |
L-DAWA: Layer-wise Divergence Aware Weight Aggregation in Federated Self-Supervised Visual Representation Learning | TCL AI Lab | ICCV | 2023 | [PUB] [PDF] [SUPP] |
FedPD: Federated Open Set Recognition with Parameter Disentanglement | City University of Hong Kong | ICCV | 2023 | [PUB] [CODE] |
TARGET: Federated Class-Continual Learning via Exemplar-Free Distillation | ETH Zurich; Sony AI | ICCV | 2023 | [PUB] [PDF] [CODE] |
Towards Instance-adaptive Inference for Federated Learning | A*STAR | ICCV | 2023 | [PUB] [PDF] [CODE] |
Communication-efficient Federated Learning with Single-Step Synthetic Features Compressor for Faster Convergence | SCU; Engineering Research Center of Machine Learning and Industry Intelligence | ICCV | 2023 | [PUB] [PDF] [CODE] |
zPROBE: Zero Peek Robustness Checks for Federated Learning | Purdue University | ICCV | 2023 | [PUB] [PDF] [SUPP] |
ProtoFL: Unsupervised Federated Learning via Prototypical Distillation | KakaoBank Corp. | ICCV | 2023 | [PUB] [PDF] |
MAS: Towards Resource-Efficient Federated Multiple-Task Learning | Sony AI | ICCV | 2023 | [PUB] [PDF] [CODE] [SUPP] |
FSAR: Federated Skeleton-based Action Recognition with Adaptive Topology Structure and Knowledge Distillation | PKU | ICCV | 2023 | [PUB] [PDF] [SUPP] |
When Do Curricula Work in Federated Learning? | UCSD | ICCV | 2023 | [PUB] [PDF] [SUPP] |
Communication-Efficient Vertical Federated Learning with Limited Overlapping Samples | Duke University | ICCV | 2023 | [PUB] [PDF] [CODE] |
Multi-Metrics Adaptively Identifies Backdoors in Federated Learning | SCUT | ICCV | 2023 | [PUB] [PDF] [CODE] [SUPP] |
No Fear of Classifier Biases: Neural Collapse Inspired Federated Learning with Synthetic and Fixed Classifier | ZJU | ICCV | 2023 | [PUB] [PDF] [CODE] [SUPP] |
FRAug: Tackling Federated Learning with Non-IID Features via Representation Augmentation | Ludwig Maximilian University of Munich; Siemens Technology | ICCV | 2023 | [PUB] [PDF] [SUPP] |
Bold but Cautious: Unlocking the Potential of Personalized Federated Learning through Cautiously Aggressive Collaboration | BUAA | ICCV | 2023 | [PUB] [PDF] [CODE] [SUPP] |
Global Balanced Experts for Federated Long-Tailed Learning | CUHK-Shenzhen | ICCV | 2023 | [PUB] [CODE] [SUPP] |
Knowledge-Aware Federated Active Learning with Non-IID Data | The University of Sydney | ICCV | 2023 | [PUB] [PDF] [CODE] [SUPP] |
Enhancing Privacy Preservation in Federated Learning via Learning Rate Perturbation | BUPT | ICCV | 2023 | [PUB] [SUPP] |
Local or Global: Selective Knowledge Assimilation for Federated Learning with Limited Labels | CMU | ICCV | 2023 | [PUB] [PDF] [SUPP] |
Federated Learning Over Images: Vertical Decompositions and Pre-Trained Backbones Are Difficult to Beat | Rice University | ICCV | 2023 | [PUB] [PDF] [CODE] [SUPP] |
Robust Heterogeneous Federated Learning under Data Corruption | WHU | ICCV | 2023 | [PUB] [CODE] [SUPP] |
Personalized Semantics Excitation for Federated Image Classification | Tulane University | ICCV | 2023 | [PUB] [CODE] |
Reducing Training Time in Cross-Silo Federated Learning Using Multigraph Topology | AIOZ | ICCV | 2023 | [PUB] [PDF] [CODE] [SUPP] |
Window-based Model Averaging Improves Generalization in Heterogeneous Federated Learning. | Politecnico di Torino | ICCV workshop | 2023 | [PUB] [PDF] |
Experience Replay as an Effective Strategy for Optimizing Decentralized Federated Learning. | University of Catania | ICCV workshop | 2023 | [ผับ] |
FedRCIL: Federated Knowledge Distillation for Representation based Contrastive Incremental Learning. | Centre for Research and Technology Hellas; University of West Attica | ICCV workshop | 2023 | [PUB] [CODE] |
FedLID: Self-Supervised Federated Learning for Leveraging Limited Image Data. | Centre for Research and Technology Hellas; University of West Attica | ICCV workshop | 2023 | [ผับ] |
Rethinking Federated Learning With Domain Shift: A Prototype View | WHU | CVPR | 2023 | [PUB] [CODE] |
Class Balanced Adaptive Pseudo Labeling for Federated Semi-Supervised Learning | อีซีเอ็นยู | CVPR | 2023 | [PUB] [CODE] |
DaFKD: Domain-Aware Federated Knowledge Distillation | HUST | CVPR | 2023 | [PUB] [CODE] |
The Resource Problem of Using Linear Layer Leakage Attack in Federated Learning | Purdue University | CVPR | 2023 | [PUB] [PDF] |
FedSeg: Class-Heterogeneous Federated Learning for Semantic Segmentation | ZJU | CVPR | 2023 | [ผับ] |
On the Effectiveness of Partial Variance Reduction in Federated Learning With Heterogeneous Data | DTU | CVPR | 2023 | [PUB] [PDF] |
Elastic Aggregation for Federated Optimization | เหม่ยถวน | CVPR | 2023 | [ผับ] |
FedDM: Iterative Distribution Matching for Communication-Efficient Federated Learning | UCLA | CVPR | 2023 | [PUB] [PDF] |
Adaptive Channel Sparsity for Federated Learning Under System Heterogeneity | UM | CVPR | 2023 | [ผับ] |
ScaleFL: Resource-Adaptive Federated Learning With Heterogeneous Clients | GaTech | CVPR | 2023 | [PUB] [CODE] |
Reliable and Interpretable Personalized Federated Learning | TJU | CVPR | 2023 | [ผับ] |
Federated Domain Generalization With Generalization Adjustment | SJTU | CVPR | 2023 | [PUB] [CODE] |
Make Landscape Flatter in Differentially Private Federated Learning | THU | CVPR | 2023 | [PUB] [PDF] [CODE] |
Confidence-Aware Personalized Federated Learning via Variational Expectation Maximization | KU Leuven | CVPR | 2023 | [PUB] [PDF] [CODE] |
STDLens: Model Hijacking-Resilient Federated Learning for Object Detection | GaTech | CVPR | 2023 | [PUB] [PDF] [CODE] |
Re-Thinking Federated Active Learning Based on Inter-Class Diversity | KAIST | CVPR | 2023 | [PUB] [PDF] [CODE] |
Learning Federated Visual Prompt in Null Space for MRI Reconstruction | A*STAR | CVPR | 2023 | [PUB] [PDF] [CODE] |
Fair Federated Medical Image Segmentation via Client Contribution Estimation | คยูเอชเค | CVPR | 2023 | [PUB] [PDF] [CODE] |
Federated Learning With Data-Agnostic Distribution Fusion | NJU | CVPR | 2023 | [PUB] [CODE] |
How To Prevent the Poor Performance Clients for Personalized Federated Learning? | CSU | CVPR | 2023 | [ผับ] |
GradMA: A Gradient-Memory-Based Accelerated Federated Learning With Alleviated Catastrophic Forgetting | อีซีเอ็นยู | CVPR | 2023 | [PUB] [PDF] [CODE] |
Bias-Eliminating Augmentation Learning for Debiased Federated Learning | นทียู | CVPR | 2023 | [ผับ] |
Federated Incremental Semantic Segmentation | CAS; UCAS | CVPR | 2023 | [PUB] [PDF] [CODE] |
Asynchronous Federated Continual Learning | University of Padova | CVPR workshop | 2023 | [PUB] [PDF] [SILDES] [CODE] |
Mixed Quantization Enabled Federated Learning To Tackle Gradient Inversion Attacks | UMBC | CVPR workshop | 2023 | [PUB] [CODE] |
OpenFed: A Comprehensive and Versatile Open-Source Federated Learning Framework | เหม่ยถวน | CVPR workshop | 2023 | [PUB] [PDF] [CODE] |
Federated Learning in Non-IID Settings Aided by Differentially Private Synthetic Data | utexas | CVPR workshop | 2023 | [PUB] [SUPP] [PDF] [CODE] |
TimelyFL: Heterogeneity-Aware Asynchronous Federated Learning With Adaptive Partial Training | USC | CVPR workshop | 2023 | [PUB] [PDF] |
Many-Task Federated Learning: A New Problem Setting and a Simple Baseline | utexas | CVPR workshop | 2023 | [PUB] [CODE] |
Confederated Learning: Going Beyond Centralization | CAS; UCAS | มม | 2022 | [ผับ] |
Few-Shot Model Agnostic Federated Learning | WHU | มม | 2022 | [PUB] [CODE] |
Feeling Without Sharing: A Federated Video Emotion Recognition Framework Via Privacy-Agnostic Hybrid Aggregation | TJUT | มม | 2022 | [ผับ] |
FedLTN: Federated Learning for Sparse and Personalized Lottery Ticket Networks | ECCV | 2022 | [PUB] [SUPP] | |
Auto-FedRL: Federated Hyperparameter Optimization for Multi-Institutional Medical Image Segmentation | ECCV | 2022 | [PUB] [SUPP] [PDF] [CODE] | |
Improving Generalization in Federated Learning by Seeking Flat Minima | Politecnico di Torino | ECCV | 2022 | [PUB] [SUPP] [PDF] [CODE] |
AdaBest: Minimizing Client Drift in Federated Learning via Adaptive Bias Estimation | ECCV | 2022 | [PUB] [SUPP] [PDF] [CODE] [PAGE] | |
SphereFed: Hyperspherical Federated Learning | ECCV | 2022 | [PUB] [SUPP] [PDF] | |
Federated Self-Supervised Learning for Video Understanding | ECCV | 2022 | [PUB] [PDF] [CODE] | |
FedVLN: Privacy-Preserving Federated Vision-and-Language Navigation | ECCV | 2022 | [PUB] [SUPP] [PDF] [CODE] | |
Addressing Heterogeneity in Federated Learning via Distributional Transformation | ECCV | 2022 | [PUB] [CODE] | |
FedX: Unsupervised Federated Learning with Cross Knowledge Distillation | KAIST | ECCV | 2022 | [PUB] [SUPP] [PDF] [CODE] |
Personalizing Federated Medical Image Segmentation via Local Calibration | Xiamen University | ECCV | 2022 | [PUB] [SUPP] [PDF] [CODE] |
ATPFL: Automatic Trajectory Prediction Model Design Under Federated Learning Framework | ตี | CVPR | 2022 | [ผับ] |
Rethinking Architecture Design for Tackling Data Heterogeneity in Federated Learning | สแตนฟอร์ด | CVPR | 2022 | [PUB] [SUPP] [PDF] [CODE] [VIDEO] |
FedCorr: Multi-Stage Federated Learning for Label Noise Correction | Singapore University of Technology and Design | CVPR | 2022 | [PUB] [SUPP] [PDF] [CODE] [VIDEO] |
FedCor: Correlation-Based Active Client Selection Strategy for Heterogeneous Federated Learning | Duke University | CVPR | 2022 | [PUB] [SUPP] [PDF] |
Layer-Wised Model Aggregation for Personalized Federated Learning | PolyU | CVPR | 2022 | [PUB] [SUPP] [PDF] |
Local Learning Matters: Rethinking Data Heterogeneity in Federated Learning | University of Central Florida | CVPR | 2022 | [PUB] [SUPP] [PDF] [CODE] |
Federated Learning With Position-Aware Neurons | มหาวิทยาลัยหนานจิง | CVPR | 2022 | [PUB] [SUPP] [PDF] |
RSCFed: Random Sampling Consensus Federated Semi-Supervised Learning | HKUST | CVPR | 2022 | [PUB] [SUPP] [PDF] [CODE] |
Learn From Others and Be Yourself in Heterogeneous Federated Learning | Wuhan University | CVPR | 2022 | [PUB] [CODE] [VIDEO] |
Robust Federated Learning With Noisy and Heterogeneous Clients | Wuhan University | CVPR | 2022 | [PUB] [SUPP] [CODE] |
ResSFL: A Resistance Transfer Framework for Defending Model Inversion Attack in Split Federated Learning | มหาวิทยาลัยรัฐแอริโซนา | CVPR | 2022 | [PUB] [SUPP] [PDF] [CODE] |
FedDC: Federated Learning With Non-IID Data via Local Drift Decoupling and Correction | National University of Defense Technology | CVPR | 2022 | [PUB] [PDF] [CODE] [解读] |
Federated Class-Incremental Learning | CAS; Northwestern University; UTS | CVPR | 2022 | [PUB] [PDF] [CODE] |
Fine-Tuning Global Model via Data-Free Knowledge Distillation for Non-IID Federated Learning | PKU; JD Explore Academy; The University of Sydney | CVPR | 2022 | [PUB] [PDF] |
Differentially Private Federated Learning With Local Regularization and Sparsification | CAS | CVPR | 2022 | [PUB] [PDF] |
Auditing Privacy Defenses in Federated Learning via Generative Gradient Leakage | University of Tennessee; Oak Ridge National Laboratory; Google Research | CVPR | 2022 | [PUB] [PDF] [CODE] [VIDEO] |
CD2-pFed: Cyclic Distillation-Guided Channel Decoupling for Model Personalization in Federated Learning | SJTU | CVPR | 2022 | [PUB] [PDF] |
Closing the Generalization Gap of Cross-Silo Federated Medical Image Segmentation | Univ. of Pittsburgh; NVIDIA | CVPR | 2022 | [PUB] [PDF] |
Adaptive Differential Filters for Fast and Communication-Efficient Federated Learning | HHI | CVPR workshop | 2022 | [PUB] [PDF] [SILDES] [VIDEO] |
MPAF: Model Poisoning Attacks to Federated Learning Based on Fake Clients | Duke University | CVPR workshop | 2022 | [PUB] [PDF] [SILDES] [VIDEO] |
Communication-Efficient Federated Data Augmentation on Non-IID Data | UESTC | CVPR workshop | 2022 | [ผับ] |
Does Federated Dropout Actually Work? | สแตนฟอร์ด | CVPR workshop | 2022 | [PUB] [VIDEO] |
FedIris: Towards More Accurate and Privacy-preserving Iris Recognition via Federated Template Communication | USTC; CRIPAC; CASIA | CVPR workshop | 2022 | [PUB] [SLIDES] [VIDEO] |
Multi-Institutional Collaborations for Improving Deep Learning-Based Magnetic Resonance Image Reconstruction Using Federated Learning | Johns Hopkins University | CVPR | 2021 | [PUB] [PDF] [CODE] |
Model-Contrastive Federated Learning | NUS; UC Berkeley | CVPR | 2021 | [PUB] [PDF] [CODE] [解读] |
FedDG: Federated Domain Generalization on Medical Image Segmentation via Episodic Learning in Continuous Frequency Space | คยูเอชเค | CVPR | 2021 | [PUB] [PDF] [CODE] |
Soteria: Provable Defense Against Privacy Leakage in Federated Learning From Representation Perspective | Duke University | CVPR | 2021 | [PUB] [PDF] [CODE] |
Federated Learning for Non-IID Data via Unified Feature Learning and Optimization Objective Alignment | PKU | ICCV | 2021 | [ผับ] |
Ensemble Attention Distillation for Privacy-Preserving Federated Learning | University at Buffalo | ICCV | 2021 | [PUB] [PDF] |
Collaborative Unsupervised Visual Representation Learning from Decentralized Data | NTU; SenseTime | ICCV | 2021 | [PUB] [PDF] |
Joint Optimization in Edge-Cloud Continuum for Federated Unsupervised Person Re-identification | นทียู | มม | 2021 | [PUB] [PDF] |
Federated Visual Classification with Real-World Data Distribution | MIT; Google | ECCV | 2020 | [PUB] [PDF] [VIDEO] |
InvisibleFL: Federated Learning over Non-Informative Intermediate Updates against Multimedia Privacy Leakages | มม | 2020 | [ผับ] | |
Performance Optimization of Federated Person Re-identification via Benchmark Analysis data. | นทียู | มม | 2020 | [PUB] [PDF] [CODE] [解读] |
Federated Learning papers accepted by top AI and NLP conference and journal, including ACL(Annual Meeting of the Association for Computational Linguistics), NAACL(North American Chapter of the Association for Computational Linguistics), EMNLP(Conference on Empirical Methods in Natural Language Processing) and COLING(International Conference on Computational Linguistics).
ชื่อ | Affiliation | Venue | ปี | วัสดุ |
---|---|---|---|---|
A Hassle-free Algorithm for Strong Differential Privacy in Federated Learning Systems | EMNLP | 2024 | [ผับ] | |
Safely Learning with Private Data: A Federated Learning Framework for Large Language Model | EMNLP | 2024 | [ผับ] | |
FEDKIM: Adaptive Federated Knowledge Injection into Medical Foundation Models | EMNLP | 2024 | [ผับ] | |
Fisher Information-based Efficient Curriculum Federated Learning with Large Language Models | EMNLP | 2024 | [ผับ] | |
Heterogeneous LoRA for Federated Fine-tuning of On-Device Foundation Models | EMNLP | 2024 | [ผับ] | |
Promoting Data and Model Privacy in Federated Learning through Quantized LoRA | EMNLP Findings | 2024 | [ผับ] | |
Heterogeneous LoRA for Federated Fine-tuning of On-Device Foundation Models | EMNLP Findings | 2024 | [ผับ] | |
Generalizable Multilingual Hate Speech Detection on Low Resource Indian Languages using Fair Selection in Federated Learning | NAACL | 2024 | [ผับ] | |
Open-Vocabulary Federated Learning with Multimodal Prototyping | NAACL | 2024 | [ผับ] | |
Navigation as Attackers Wish? Towards Building Robust Embodied Agents under Federated Learning | NAACL | 2024 | [ผับ] | |
FedLFC: Towards Efficient Federated Multilingual Modeling with LoRA-based Language Family Clustering. | NAACL Findings | 2024 | [ผับ] | |
Personalized Federated Learning for Text Classification with Gradient-Free Prompt Tuning. | NAACL Findings | 2024 | [ผับ] | |
Can Public Large Language Models Help Private Cross-device Federated Learning? | NAACL Findings | 2024 | [ผับ] | |
Fair Federated Learning with Biased Vision-Language Models | ACL Findings | 2024 | [ผับ] | |
Federated Learning of Large Language Models with Parameter-Efficient Prompt Tuning and Adaptive Optimization | มหาวิทยาลัยออเบิร์น | EMNLP | 2023 | [PUB] [PDF] [CODE] |
Federated Meta-Learning for Emotion and Sentiment Aware Multi-modal Complaint Identification | IIT Patna | EMNLP | 2023 | [PUB] [CODE] |
FedID: Federated Interactive Distillation for Large-Scale Pretraining Language Models | YNU | EMNLP | 2023 | [PUB] [CODE] |
FedTherapist: Mental Health Monitoring with User-Generated Linguistic Expressions on Smartphones via Federated Learning | KAIST | EMNLP | 2023 | [PUB] [PDF] |
Coordinated Replay Sample Selection for Continual Federated Learning | CMU | EMNLP industry Track | 2023 | [PUB] [PDF] |
Tunable Soft Prompts are Messengers in Federated Learning | SYSU | EMNLP Findings | 2023 | [PUB] [PDF] [CODE] |
Federated Learning for Semantic Parsing: Task Formulation, Evaluation Setup, New Algorithms | OSU | เอซีแอล | 2023 | [PUB] [PDF] [CODE] |
FEDLEGAL: The First Real-World Federated Learning Benchmark for Legal NLP | ตี; Peng Cheng Lab | เอซีแอล | 2023 | [PUB] [CODE] |
Client-Customized Adaptation for Parameter-Efficient Federated Learning | ACL Findings | 2023 | [ผับ] | |
Communication Efficient Federated Learning for Multilingual Neural Machine Translation with Adapter | ACL Findings | 2023 | [PUB] [PDF] [CODE] | |
Federated Domain Adaptation for Named Entity Recognition via Distilling with Heterogeneous Tag Sets | ACL Findings | 2023 | [ผับ] | |
FedPETuning: When Federated Learning Meets the Parameter-Efficient Tuning Methods of Pre-trained Language Models | ACL Findings | 2023 | [ผับ] | |
Federated Learning of Gboard Language Models with Differential Privacy | ACL Industry Track | 2023 | [PUB] [PDF] | |
Backdoor Attacks in Federated Learning by Rare Embeddings and Gradient Ensembling | SNU | EMNLP | 2022 | [PUB] [PDF] |
A Federated Approach to Predicting Emojis in Hindi Tweets | University of Alberta | EMNLP | 2022 | [PUB] [PDF] [CODE] |
Federated Model Decomposition with Private Vocabulary for Text Classification | ตี; Peng Cheng Lab | EMNLP | 2022 | [PUB] [CODE] |
Fair NLP Models with Differentially Private Text Encoders | Univ. Lille | EMNLP | 2022 | [PUB] [PDF] [CODE] |
Federated Continual Learning for Text Classification via Selective Inter-client Transfer | DRIMCo GmbH; LMU | EMNLP Findings | 2022 | [PUB] [PDF] [CODE] |
Efficient Federated Learning on Knowledge Graphs via Privacy-preserving Relation Embedding Aggregation kg. | Lehigh University | EMNLP Findings | 2022 | [PUB] [PDF] [CODE] |
Dim-Krum: Backdoor-Resistant Federated Learning for NLP with Dimension-wise Krum-Based Aggregation | PKU | EMNLP Findings | 2022 | [PUB] [PDF] |
Scaling Language Model Size in Cross-Device Federated Learning | ACL workshop | 2022 | [PUB] [PDF] | |
Intrinsic Gradient Compression for Scalable and Efficient Federated Learning | อ็อกซ์ฟอร์ด | ACL workshop | 2022 | [PUB] [PDF] |
ActPerFL: Active Personalized Federated Learning | อเมซอน | ACL workshop | 2022 | [PUB] [PAGE] |
FedNLP: Benchmarking Federated Learning Methods for Natural Language Processing Tasks | USC | NAACL | 2022 | [PUB] [PDF] [CODE] |
Federated Learning with Noisy User Feedback | USC; อเมซอน | NAACL | 2022 | [PUB] [PDF] |
Training Mixed-Domain Translation Models via Federated Learning | อเมซอน | NAACL | 2022 | [PUB] [PAGE] [PDF] |
Pretrained Models for Multilingual Federated Learning | Johns Hopkins University | NAACL | 2022 | [PUB] [PDF] [CODE] |
Federated Chinese Word Segmentation with Global Character Associations | University of Washington | ACL workshop | 2021 | [PUB] [CODE] |
Efficient-FedRec: Efficient Federated Learning Framework for Privacy-Preserving News Recommendation | USTC | EMNLP | 2021 | [PUB] [PDF] [CODE] [VIDEO] |
Improving Federated Learning for Aspect-based Sentiment Analysis via Topic Memories | CUHK (Shenzhen) | EMNLP | 2021 | [PUB] [CODE] [VIDEO] |
A Secure and Efficient Federated Learning Framework for NLP | University of Connecticut | EMNLP | 2021 | [PUB] [PDF] [VIDEO] |
Distantly Supervised Relation Extraction in Federated Settings | UCAS | EMNLP workshop | 2021 | [PUB] [PDF] [CODE] |
Federated Learning with Noisy User Feedback | USC; อเมซอน | NAACL workshop | 2021 | [PUB] [PDF] |
An Investigation towards Differentially Private Sequence Tagging in a Federated Framework | Universität Hamburg | NAACL workshop | 2021 | [ผับ] |
Understanding Unintended Memorization in Language Models Under Federated Learning | NAACL workshop | 2021 | [PUB] [PDF] | |
FedED: Federated Learning via Ensemble Distillation for Medical Relation Extraction | CAS | EMNLP | 2020 | [PUB] [VIDEO] [解读] |
Empirical Studies of Institutional Federated Learning For Natural Language Processing | Ping An Technology | EMNLP workshop | 2020 | [ผับ] |
Federated Learning for Spoken Language Understanding | PKU | COLING | 2020 | [ผับ] |
Two-stage Federated Phenotyping and Patient Representation Learning | Boston Children's Hospital Harvard Medical School | ACL workshop | 2019 | [PUB] [PDF] [CODE] [UC.] |
Federated Learning papers accepted by top Information Retrieval conference and journal, including SIGIR(Annual International ACM SIGIR Conference on Research and Development in Information Retrieval).
ชื่อ | Affiliation | Venue | ปี | วัสดุ |
---|---|---|---|---|
ReFer: Retrieval-Enhanced Vertical Federated Recommendation for Full Set User Benefit | THU | SIGIR | 2024 | [ผับ] |
Revisit Targeted Model Poisoning on Federated Recommendation: Optimize via Multi-objective Transport | ZJU | SIGIR | 2024 | [ผับ] |
FeB4RAG: Evaluating Federated Search in the Context of Retrieval Augmented Generation | UQ | SIGIR | 2024 | [PUB] [PDF] [CODE] |
FedUD: Exploiting Unaligned Data for Cross-Platform Federated Click-Through Rate Prediction | Alibaba Group | SIGIR | 2024 | [ผับ] |
Personalized Federated Relation Classification over Heterogeneous Texts | NUDT | SIGIR | 2023 | [ผับ] |
Fine-Grained Preference-Aware Personalized Federated POI Recommendation with Data Sparsity | SDU | SIGIR | 2023 | [ผับ] |
Manipulating Federated Recommender Systems: Poisoning with Synthetic Users and Its Countermeasures | UQ | SIGIR | 2023 | [PUB] [PDF] |
FedAds: A Benchmark for Privacy-Preserving CVR Estimation with Vertical Federated Learning | Alibaba Group | SIGIR | 2023 | [PUB] [PDF] [CODE] |
Edge-cloud Collaborative Learning with Federated and Centralized Features (short-paper) | ZJU | SIGIR | 2023 | [PUB] [PDF] |
FLIRT: Federated Learning for Information Retrieval (extended-abstract) | IMT Lucca | SIGIR | 2023 | [ผับ] |
Is Non-IID Data a Threat in Federated Online Learning to Rank? | The University of Queensland | SIGIR | 2022 | [PUB] [CODE] |
FedCT: Federated Collaborative Transfer for Recommendation | Rutgers University | SIGIR | 2021 | [PUB] [PDF] [CODE] |
On the Privacy of Federated Pipelines | มหาวิทยาลัยเทคนิคแห่งมิวนิก | SIGIR | 2021 | [ผับ] |
FedCMR: Federated Cross-Modal Retrieval. | Dalian University of Technology | SIGIR | 2021 | [PUB] [CODE] |
Meta Matrix Factorization for Federated Rating Predictions. | SDU | SIGIR | 2020 | [PUB] [PDF] |
Federated Learning papers accepted by top Database conference and journal, including SIGMOD(ACM SIGMOD Conference) , ICDE(IEEE International Conference on Data Engineering) and VLDB(Very Large Data Bases Conference).
ชื่อ | Affiliation | Venue | ปี | วัสดุ |
---|---|---|---|---|
FedMix: Boosting with Data Mixture for Vertical Federated Learning | ICDE | 2024 | [ผับ] | |
FedCross: Towards Accurate Federated Learning via Multi-Model Cross-Aggregation | ICDE | 2024 | [ผับ] | |
Clients Help Clients: Alternating Collaboration for Semi-Supervised Federated Learning | ICDE | 2024 | [ผับ] | |
Semi-Asynchronous Online Federated Crowdsourcing | ICDE | 2024 | [ผับ] | |
AdaFGL: A New Paradigm for Federated Node Classification with Topology Heterogeneity | ICDE | 2024 | [ผับ] | |
MergeSFL: Split Federated Learning with Feature Merging and Batch Size Regulation | ICDE | 2024 | [ผับ] | |
LightTR: A Lightweight Framework for Federated Trajectory Recovery | ICDE | 2024 | [ผับ] | |
Feed: Towards Personalization-Effective Federated Learning | ICDE | 2024 | [ผับ] | |
Label Noise Correction for Federated Learning: A Secure, Efficient and Reliable Realization | ICDE | 2024 | [ผับ] | |
Fast, Robust and Interpretable Participant Contribution Estimation for Federated Learning | ICDE | 2024 | [ผับ] | |
HeteFedRec: Federated Recommender Systems with Model Heterogeneity | ICDE | 2024 | [ผับ] | |
Hide Your Model: A Parameter Transmission-free Federated Recommender System | ICDE | 2024 | [ผับ] | |
FedCTQ: A Federated-Based Framework for Accurate and Efficient Contact Tracing Query | ICDE | 2024 | [ผับ] | |
Preventing the Popular Item Embedding Based Attack in Federated Recommendations | ICDE | 2024 | [ผับ] | |
RobFL: Robust Federated Learning via Feature Center Separation and Malicious Center Detection | ICDE | 2024 | [ผับ] | |
Federated Fine-Tuning of LLMs on the Very Edge: The Good, the Bad, the Ugly | TUM | DEEM@SIGMOD | 2024 | [ผับ] |
FedSQ: A Secure System for Federated Vector Similarity Queries | VLDB | 2024 | [ผับ] | |
FedSM: A Practical Federated Shared Mobility System | VLDB | 2024 | [ผับ] | |
OFL-W3: A One-Shot Federated Learning System on Web 3.0 | VLDB | 2024 | [ผับ] | |
Contributions Estimation in Federated Learning: A Comprehensive Experimental Evaluation | VLDB | 2024 | [ผับ] | |
OFL-W3: A One-shot Federated Learning System on Web 3.0 | VLDB | 2024 | [ผับ] | |
Uldp-FL: Federated Learning with Across Silo User-Level Differential Privacy. | VLDB | 2024 | [ผับ] | |
FedSM: A Practical Federated Shared Mobility System. | VLDB | 2024 | [ผับ] | |
FedSQ: A Secure System for Federated Vector Similarity Queries | VLDB | 2024 | [ผับ] | |
Performance-Based Pricing of Federated Learning via Auction | Alibaba Group | VLDB | 2024 | [PUB] [CODE] |
A Blockchain System for Clustered Federated Learning with Peer-to-Peer Knowledge Transfer | NJU | VLDB | 2024 | [PUB] [CODE] |
Communication Efficient and Provable Federated Unlearning | SDU; KAUST | VLDB | 2024 | [PUB] [PDF] [CODE] |
Enhancing Decentralized Federated Learning for Non-IID Data on Heterogeneous Devices | USTC | ICDE | 2023 | [ผับ] |
Dynamic Activation of Clients and Parameters for Federated Learning over Heterogeneous Graphs | Columbia University | ICDE | 2023 | [PUB] [CODE] |
FedKNOW: Federated Continual Learning with Signature Task Knowledge Integration at Edge | นิดหน่อย | ICDE | 2023 | [PUB] [PDF] |
Lumos: Heterogeneity-aware Federated Graph Learning over Decentralized Devices | SJTU | ICDE | 2023 | [PUB] [PDF] |
Federated IoT Interaction Vulnerability Analysis | MSU | ICDE | 2023 | [ผับ] |
Distribution-Regularized Federated Learning on Non-IID Data | BUAA | ICDE | 2023 | [ผับ] |
Fed-SC: One-Shot Federated Subspace Clustering over High-Dimensional Data | ShanghaiTech University | ICDE | 2023 | [PUB] [CODE] |
FLBooster: A Unified and Efficient Platform for Federated Learning Acceleration | ZJU | ICDE | 2023 | [ผับ] |
FedGTA: Topology-aware Averaging for Federated Graph Learning. | นิดหน่อย | VLDB | 2023 | [PUB] [CODE] |
FS-Real: A Real-World Cross-Device Federated Learning Platform. | Alibaba Group | VLDB | 2023 | [PUB] [PDF] [CODE] |
Federated Calibration and Evaluation of Binary Classifiers. | เมตา | VLDB | 2023 | [PUB] [PDF] [CODE] |
Olive: Oblivious Federated Learning on Trusted Execution Environment Against the Risk of Sparsification. | มหาวิทยาลัยเกียวโต | VLDB | 2023 | [PUB] [PDF] [CODE] |
Falcon: A Privacy-Preserving and Interpretable Vertical Federated Learning System. | NUS | VLDB | 2023 | [PUB] [CODE] |
Differentially Private Vertical Federated Clustering. | Purdue University | VLDB | 2023 | [PUB] [PDF] [CODE] |
FederatedScope: A Flexible Federated Learning Platform for Heterogeneity. | อาลีบาบา | VLDB | 2023 | [PUB] [PDF] [CODE] |
Secure Shapley Value for Cross-Silo Federated Learning. | มหาวิทยาลัยเกียวโต | VLDB | 2023 | [PUB] [PDF] [CODE] |
OpBoost: A Vertical Federated Tree Boosting Framework Based on Order-Preserving Desensitization | ZJU | VLDB | 2022 | [PUB] [PDF] [CODE] |
Skellam Mixture Mechanism: a Novel Approach to Federated Learning with Differential Privacy. | NUS | VLDB | 2022 | [PUB] [CODE] |
Towards Communication-efficient Vertical Federated Learning Training via Cache-enabled Local Update | PKU | VLDB | 2022 | [PUB] [PDF] [CODE] |
FedTSC: A Secure Federated Learning System for Interpretable Time Series Classification. | ตี | VLDB | 2022 | [PUB] [CODE] |
Improving Fairness for Data Valuation in Horizontal Federated Learning | The UBC | ICDE | 2022 | [PUB] [PDF] |
FedADMM: A Robust Federated Deep Learning Framework with Adaptivity to System Heterogeneity | USTC | ICDE | 2022 | [PUB] [PDF] [CODE] |
FedMP: Federated Learning through Adaptive Model Pruning in Heterogeneous Edge Computing. | USTC | ICDE | 2022 | [ผับ] |
Federated Learning on Non-IID Data Silos: An Experimental Study. | NUS | ICDE | 2022 | [PUB] [PDF] [CODE] |
Enhancing Federated Learning with Intelligent Model Migration in Heterogeneous Edge Computing | USTC | ICDE | 2022 | [ผับ] |
Samba: A System for Secure Federated Multi-Armed Bandits | Univ. Clermont Auvergne | ICDE | 2022 | [PUB] [CODE] |
FedRecAttack: Model Poisoning Attack to Federated Recommendation | ZJU | ICDE | 2022 | [PUB] [PDF] [CODE] |
Enhancing Federated Learning with In-Cloud Unlabeled Data | USTC | ICDE | 2022 | [ผับ] |
Efficient Participant Contribution Evaluation for Horizontal and Vertical Federated Learning | USTC | ICDE | 2022 | [ผับ] |
An Introduction to Federated Computation | University of Warwick; เฟสบุ๊ค | SIGMOD Tutorial | 2022 | [ผับ] |
BlindFL: Vertical Federated Machine Learning without Peeking into Your Data | PKU; เทนเซ็นต์ | SIGMOD | 2022 | [PUB] [PDF] |
An Efficient Approach for Cross-Silo Federated Learning to Rank | BUAA | ICDE | 2021 | [PUB] [RELATED PAPER(ZH)] |
Feature Inference Attack on Model Predictions in Vertical Federated Learning | NUS | ICDE | 2021 | [PUB] [PDF] [CODE] |
Efficient Federated-Learning Model Debugging | USTC | ICDE | 2021 | [ผับ] |
Federated Matrix Factorization with Privacy Guarantee | Purdue | VLDB | 2021 | [ผับ] |
Projected Federated Averaging with Heterogeneous Differential Privacy. | Renmin University of China | VLDB | 2021 | [PUB] [CODE] |
Enabling SQL-based Training Data Debugging for Federated Learning | Simon Fraser University | VLDB | 2021 | [PUB] [PDF] [CODE] |
Refiner: A Reliable Incentive-Driven Federated Learning System Powered by Blockchain | ZJU | VLDB | 2021 | [ผับ] |
Tanium Reveal: A Federated Search Engine for Querying Unstructured File Data on Large Enterprise Networks | Tanium Inc. | VLDB | 2021 | [PUB] [VIDEO] |
VF2Boost: Very Fast Vertical Federated Gradient Boosting for Cross-Enterprise Learning | PKU | SIGMOD | 2021 | [ผับ] |
ExDRa: Exploratory Data Science on Federated Raw Data | ซีเมนส์ | SIGMOD | 2021 | [ผับ] |
Joint blockchain and federated learning-based offloading in harsh edge computing environments | TJU | SIGMOD workshop | 2021 | [ผับ] |
Privacy Preserving Vertical Federated Learning for Tree-based Models | NUS | VLDB | 2020 | [PUB] [PDF] [VIDEO] [CODE] |
Federated Learning papers accepted by top Database conference and journal, including SIGCOMM(Conference on Applications, Technologies, Architectures, and Protocols for Computer Communication), INFOCOM(IEEE Conference on Computer Communications), MobiCom(ACM/IEEE International Conference on Mobile Computing and Networking), NSDI(Symposium on Networked Systems Design and Implementation) and WWW(The Web Conference).
ชื่อ | Affiliation | Venue | ปี | วัสดุ |
---|---|---|---|---|
Breaking Secure Aggregation: Label Leakage from Aggregated Gradients in Federated Learning | INFOCOM | 2024 | [ผับ] | |
Strategic Data Revocation in Federated Unlearning | INFOCOM | 2024 | [ผับ] | |
FedTC: Enabling Communication-Efficient Federated Learning via Transform Coding | INFOCOM | 2024 | [ผับ] | |
Federated Learning While Providing Model as a Service: Joint Training and Inference Optimization | INFOCOM | 2024 | [ผับ] | |
FairFed: Improving Fairness and Efficiency of Contribution Evaluation in Federated Learning via Cooperative Shapley Value | INFOCOM | 2024 | [ผับ] | |
DPBalance: Efficient and Fair Privacy Budget Scheduling for Federated Learning as a Service | INFOCOM | 2024 | [ผับ] | |
Tomtit: Hierarchical Federated Fine-Tuning of Giant Models based on Autonomous Synchronization | INFOCOM | 2024 | [ผับ] | |
BR-DeFedRL: Byzantine-Robust Decentralized Federated Reinforcement Learning with Fast Convergence and Communication Efficiency | INFOCOM | 2024 | [ผับ] | |
Titanic: Towards Production Federated Learning with Large Language Models | INFOCOM | 2024 | [ผับ] | |
Expediting In-Network Federated Learning by Voting-Based Consensus Model Compression | INFOCOM | 2024 | [ผับ] | |
Fed-CVLC: Compressing Federated Learning Communications with Variable-Length Codes | INFOCOM | 2024 | [ผับ] | |
Federated Analytics-Empowered Frequent Pattern Mining for Decentralized Web 3.0 Applications | INFOCOM | 2024 | [ผับ] | |
GraphProxy: Communication-Efficient Federated Graph Learning with Adaptive Proxy | INFOCOM | 2024 | [ผับ] | |
Agglomerative Federated Learning: Empowering Larger Model Training via End-Edge-Cloud Collaboration | INFOCOM | 2024 | [PUB] [CODE] | |
AeroRec: An Efficient On-Device Recommendation Framework using Federated Self-Supervised Knowledge Distillation | INFOCOM | 2024 | [ผับ] | |
Efficient and Straggler-Resistant Homomorphic Encryption for Heterogeneous Federated Learning | INFOCOM | 2024 | [ผับ] | |
Heroes: Lightweight Federated Learning with Neural Composition and Adaptive Local Update in Heterogeneous Edge Networks | INFOCOM | 2024 | [ผับ] | |
Momentum-Based Federated Reinforcement Learning with Interaction and Communication Efficiency | INFOCOM | 2024 | [ผับ] | |
Federated Offline Policy Optimization with Dual Regularization | INFOCOM | 2024 | [ผับ] | |
A Semi-Asynchronous Decentralized Federated Learning Framework via Tree-Graph Blockchain | INFOCOM | 2024 | [ผับ] | |
SpreadFGL: Edge-Client Collaborative Federated Graph Learning with Adaptive Neighbor Generation | INFOCOM | 2024 | [ผับ] | |
Towards Efficient Asynchronous Federated Learning in Heterogeneous Edge Environments | INFOCOM | 2024 | [ผับ] | |
Federated Learning Based Integrated Sensing, Communications, and Powering Over 6G Massive-MIMO Mobile Networks | INFOCOM workshop | 2024 | [ผับ] | |
Decentralized Federated Learning Under Free-riders: Credibility Analysis | INFOCOM workshop | 2024 | [ผับ] | |
TrustBandit: Optimizing Client Selection for Robust Federated Learning Against Poisoning Attacks | INFOCOM workshop | 2024 | [ผับ] | |
Cascade: Enhancing Reinforcement Learning with Curriculum Federated Learning and Interference Avoidance — A Case Study in Adaptive Bitrate Selection | INFOCOM workshop | 2024 | [ผับ] | |
Efficient Adapting for Vision-language Foundation Model in Edge Computing Based on Personalized and Multi-Granularity Federated Learning | INFOCOM workshop | 2024 | [ผับ] | |
Distributed Link Heterogeneity Exploitation for Attention-Weighted Robust Federated Learning in 6G Networks | INFOCOM workshop | 2024 | [ผับ] | |
GAN-Based Privacy Abuse Attack on Federated Learning in IoT Networks | INFOCOM workshop | 2024 | [ผับ] | |
Fedkit: Enabling Cross-Platform Federated Learning for Android and iOS | INFOCOM workshop | 2024 | [PUB] [CODE] | |
ASR-FED: Agnostic Straggler Resilient Federated Algorithm for Drone Networks Security | INFOCOM workshop | 2024 | [ผับ] | |
Unbiased Federated Learning for Heterogeneous Data Under Unreliable Links | INFOCOM workshop | 2024 | [ผับ] | |
Efficient Client Sampling with Compression in Heterogeneous Federated Learning | INFOCOM workshop | 2024 | [ผับ] | |
Reputation-Aware Scheduling for Secure Internet of Drones: A Federated Multi-Agent Deep Reinforcement Learning Approach | INFOCOM workshop | 2024 | [ผับ] | |
Two-Timescale Energy Optimization for Wireless Federated Learning | INFOCOM workshop | 2024 | [ผับ] | |
A Data Reconstruction Attack Against Vertical Federated Learning Based on Knowledge Transfer | INFOCOM workshop | 2024 | [ผับ] | |
Federated Learning for Energy-efficient Cooperative Perception in Connected and Autonomous Vehicles | INFOCOM workshop | 2024 | [ผับ] | |
Federated Learning-Based Cooperative Model Training for Task-Oriented Semantic Communication | INFOCOM workshop | 2024 | [ผับ] | |
FedBF16-Dynamic: Communication-Efficient Federated Learning with Adaptive Transmission | INFOCOM workshop | 2024 | [ผับ] | |
Designing Robust 6G Networks with Bimodal Distribution for Decentralized Federated Learning | INFOCOM workshop | 2024 | [ผับ] | |
Federated Distributed Deep Reinforcement Learning for Recommendation-enabled Edge Caching | INFOCOM workshop | 2024 | [ผับ] | |
Joint Optimization of Charging Time and Resource Allocation in Wireless Power Transfer Assisted Federated Learning | INFOCOM workshop | 2024 | [ผับ] | |
Joint Client Selection and Privacy Compensation for Differentially Private Federated Learning | INFOCOM workshop | 2024 | [ผับ] | |
Wireless Hierarchical Federated Aggregation Weights Design with Loss-Based-Heterogeneity | INFOCOM workshop | 2024 | [ผับ] | |
ADMarker: A Multi-Modal Federated Learning System for Monitoring Digital Biomarkers of Alzheimer's Disease | คยูเอชเค | MobiCom | 2024 | [PUB] [PDF] [CODE] |
Accelerating the Decentralized Federated Learning via Manipulating Edges | SZU | WWW | 2024 | [ผับ] |
Prompt-enhanced Federated Content Representation Learning for Cross-domain Recommendation | SDNU | WWW | 2024 | [PUB] [PDF] [CODE] |
PAGE: Equilibrate Personalization and Generalization in Federated Learning | XDU | WWW | 2024 | [PUB] [PDF] [CODE] |
Federated Learning Vulnerabilities: Privacy Attacks with Denoising Diffusion Probabilistic Models | อีซีเอ็นยู | WWW | 2024 | [ผับ] |
Co-clustering for Federated Recommender System | UIUC | WWW | 2024 | [ผับ] |
Incentive and Dynamic Client Selection for Federated Unlearning | BUPT | WWW | 2024 | [ผับ] |
Towards Efficient Communication and Secure Federated Recommendation System via Low-rank Training | VinUniversity | WWW | 2024 | [PUB] [PDF] [CODE] |
BlockDFL: A Blockchain-based Fully Decentralized Peer-to-Peer Federated Learning Framework | ZJU | WWW | 2024 | [PUB] [PDF] |
Towards Personalized Privacy: User-Governed Data Contribution for Federated Recommendation | UQ | WWW | 2024 | [PUB] [PDF] |
FedDSE: Distribution-aware Sub-model Extraction for Federated Learning over Resource-constrained Devices | นทียู | WWW | 2024 | [ผับ] |
Cardinality Counting in "Alcatraz": A Privacy-aware Federated Learning Approach | CSIRO's Data61 | WWW | 2024 | [ผับ] |
Federated Heterogeneous Graph Neural Network for Privacy-preserving Recommendation | BUPT | WWW | 2024 | [PUB] [PDF] |
Poisoning Federated Recommender Systems with Fake Users | USTC | WWW | 2024 | [PUB] [PDF] |
Towards Energy-efficient Federated Learning via INT8-based Training on Mobile DSPs | BUPT | WWW | 2024 | [ผับ] |
Privacy-Preserving and Fairness-Aware Federated Learning for Critical Infrastructure Protection and Resilience | UTS | WWW | 2024 | [PUB] [CODE] |
When Federated Recommendation Meets Cold-Start Problem: Separating Item Attributes and User Interactions | JLU | WWW | 2024 | [PUB] [PDF] [CODE] |
How Few Davids Improve One Goliath: Federated Learning in Resource-Skewed Edge Computing Environments | UCSD | WWW | 2024 | [PUB] [CODE] [VIDEO] |
Poisoning Attack on Federated Knowledge Graph Embedding | PolyU | WWW | 2024 | [PUB] [CODE] |
FL@FM-TheWebConf'24: International Workshop on Federated Foundation Models for the Web | คยูเอชเค | WWW (Companion Volume) | 2024 | [PUB] [PAGE] |
An Investigation into the Feasibility of Performing Federated Learning on Social Linked Data Servers | University of Southampton | WWW (Companion Volume) | 2024 | [ผับ] |
Exploring Representational Similarity Analysis to Protect Federated Learning from Data Poisoning | SYSU | WWW (Companion Volume) | 2024 | [ผับ] |
Only Send What You Need: Learning to Communicate Efficiently in Federated Multilingual Machine Translation | Purdue University | WWW (Companion Volume) | 2024 | [PUB] [PDF] |
FedHLT: Efficient Federated Low-Rank Adaption with Hierarchical Language Tree for Multilingual Modeling | คยูเอชเค | WWW (Companion Volume) | 2024 | [ผับ] |
HBIAS FedAvg: Smooth Federated Learning Transition for In-use Edge Models | IIT | WWW (Companion Volume) | 2024 | [ผับ] |
Phoenix: A Federated Generative Diffusion Model | สว | WWW (Companion Volume) | 2024 | [ผับ] |
Federated Learning in Large Model Era: Vision-Language Model for Smart City Safety Operation Management | ENN; ยูพีซี | WWW (Companion Volume) | 2024 | [ผับ] |
Robust Federated Learning Mitigates Client-side Training Data Distribution Inference Attacks | USTC | WWW (Companion Volume) | 2024 | [PUB] [PDF] |
GradFilt: Class-wise Targeted Data Reconstruction from Gradients in Federated Learning | PolyU | WWW (Companion Volume) | 2024 | [ผับ] |
Detecting Poisoning Attacks on Federated Learning Using Gradient-Weighted Class Activation Mapping | ISEP | WWW (Companion Volume) | 2024 | [ผับ] |
AutoFed: Heterogeneity-Aware Federated Multimodal Learning for Robust Autonomous Driving | นทียู | MobiCom | 2023 | [PUB] [PDF] |
Efficient Federated Learning for Modern NLP | Beiyou Shenzhen Institute | MobiCom | 2023 | [PDF] [解读] |
FLASH: Towards a High-performance Hardware Acceleration Architecture for Cross-silo Federated Learning | HKUST; Clustar | NSDI | 2023 | [PUB] [SLIDE] [VIDEO] |
To Store or Not? Online Data Selection for Federated Learning with Limited Storage. | SJTU | WWW | 2023 | [PUB] [PDF] |
pFedPrompt: Learning Personalized Prompt for Vision-Language Models in Federated Learning. | PolyU | WWW | 2023 | [ผับ] |
Quantifying and Defending against Privacy Threats on Federated Knowledge Graph Embedding. | ZJU; HIC-ZJU | WWW | 2023 | [PUB] [PDF] |
Vertical Federated Knowledge Transfer via Representation Distillation for Healthcare Collaboration Networks | PKU | WWW | 2023 | [PUB] [PDF] [CODE] |
Semi-decentralized Federated Ego Graph Learning for Recommendation | SUST | WWW | 2023 | [PUB] [PDF] |
FlexiFed: Personalized Federated Learning for Edge Clients with Heterogeneous Model Architectures. | Swinburne | WWW | 2023 | [PUB] [CODE] |
FedEdge: Accelerating Edge-Assisted Federated Learning. | Swinburne | WWW | 2023 | [ผับ] |
Federated Node Classification over Graphs with Latent Link-type Heterogeneity. | Emory University | WWW | 2023 | [PUB] [CODE] |
FedACK: Federated Adversarial Contrastive Knowledge Distillation for Cross-Lingual and Cross-Model Social Bot Detection. | USTC | WWW | 2023 | [PUB] [PDF] [CODE] |
Interaction-level Membership Inference Attack Against Federated Recommender Systems. | UQ | WWW | 2023 | [PUB] [PDF] |
AgrEvader: Poisoning Membership Inference against Byzantine-robust Federated Learning. | Deakin University | WWW | 2023 | [ผับ] |
Heterogeneous Federated Knowledge Graph Embedding Learning and Unlearning. | NJU | WWW | 2023 | [PUB] [PDF] [CODE] |
Federated Learning for Metaverse: A Survey. | JNU | WWW (Companion Volume) | 2023 | [PUB] [PDF] |
Understanding the Impact of Label Skewness and Optimization on Federated Learning for Text Classification | KU Leuven | WWW (Companion Volume) | 2023 | [ผับ] |
Privacy-Preserving Online Content Moderation: A Federated Learning Use Case. | ตัด | WWW (Companion Volume) | 2023 | [PUB] [PDF] |
Privacy-Preserving Online Content Moderation with Federated Learning. | ตัด | WWW (Companion Volume) | 2023 | [ผับ] |
A Federated Learning Benchmark for Drug-Target Interaction. | University of Turin | WWW (Companion Volume) | 2023 | [PUB] [PDF] [CODE] |
Towards a Decentralized Data Hub and Query System for Federated Dynamic Data Spaces. | TU Berlin | WWW (Companion Volume) | 2023 | [ผับ] |
1st Workshop on Federated Learning Technologies1st Workshop on Federated Learning Technologies | University of Turin | WWW (Companion Volume) | 2023 | [ผับ] |
A Survey of Trustworthy Federated Learning with Perspectives on Security, Robustness and Privacy | คยูเอชเค | WWW (Companion Volume) | 2023 | [PUB] [PDF] |
A Hierarchical Knowledge Transfer Framework for Heterogeneous Federated Learning | THU | INFOCOM | 2023 | [ผับ] |
A Reinforcement Learning Approach for Minimizing Job Completion Time in Clustered Federated Learning | Southeast University | INFOCOM | 2023 | [ผับ] |
Adaptive Configuration for Heterogeneous Participants in Decentralized Federated Learning | USTC | INFOCOM | 2023 | [PUB] [PDF] |
AnycostFL: Efficient On-Demand Federated Learning over Heterogeneous Edge Devices | Guangdong University of Technology | INFOCOM | 2023 | [PUB] [PDF] |
AOCC-FL: Federated Learning with Aligned Overlapping via Calibrated Compensation | HUST | INFOCOM | 2023 | [ผับ] |
Asynchronous Federated Unlearning | University of Toronto | INFOCOM | 2023 | [PUB] [PDF] [CODE] |
Communication-Efficient Federated Learning for Heterogeneous Edge Devices Based on Adaptive Gradient Quantization | PSU | INFOCOM | 2023 | [PUB] [PDF] |
Enabling Communication-Efficient Federated Learning via Distributed Compressed Sensing | Beihang University | INFOCOM | 2023 | [ผับ] |
Federated Learning under Heterogeneous and Correlated Client Availability | Inria | INFOCOM | 2023 | [PUB] [PDF] [CODE] |
Federated Learning with Flexible Control | ไอบีเอ็ม | INFOCOM | 2023 | [PUB] [PDF] [CODE] |
Federated PCA on Grassmann Manifold for Anomaly Detection in IoT Networks | The University of Sydney | INFOCOM | 2023 | [PUB] [PDF] |
FedMoS: Taming Client Drift in Federated Learning with Double Momentum and Adaptive Selection | HUST | INFOCOM | 2023 | [PUB] [PDF] [CODE] |
FedSDG-FS: Efficient and Secure Feature Selection for Vertical Federated Learning | นทียู | INFOCOM | 2023 | [PUB] [PDF] |
Heterogeneity-Aware Federated Learning with Adaptive Client Selection and Gradient Compression | USTC | INFOCOM | 2023 | |
Joint Edge Aggregation and Association for Cost-Efficient Multi-Cell Federated Learning | NUDT | INFOCOM | 2023 | [ผับ] |
Joint Participation Incentive and Network Pricing Design for Federated Learning | Northwestern University | INFOCOM | 2023 | [ผับ] |
More than Enough is Too Much: Adaptive Defenses against Gradient Leakage in Production Federated Learning | University of Toronto | INFOCOM | 2023 | [PUB] [PDF] [WEIBO] |
Network Adaptive Federated Learning: Congestion and Lossy Compression | UTAustin | INFOCOM | 2023 | [PUB] [PDF] |
OBLIVION: Poisoning Federated Learning by Inducing Catastrophic Forgetting | The Hang Seng University of Hong Kong | INFOCOM | 2023 | [PUB] [CODE] |
Privacy as a Resource in Differentially Private Federated Learning | BUPT | INFOCOM | 2023 | [ผับ] |
SplitGP: Achieving Both Generalization and Personalization in Federated Learning | KAIST | INFOCOM | 2023 | [PUB] [PDF] |
SVDFed: Enabling Communication-Efficient Federated Learning via Singular-Value-Decomposition | Beihang University | INFOCOM | 2023 | [ผับ] |
Tackling System Induced Bias in Federated Learning: Stratification and Convergence Analysis | Southern University of Science and Technology | INFOCOM | 2023 | [PUB] [PDF] |
Toward Sustainable AI: Federated Learning Demand Response in Cloud-Edge Systems via Auctions | BUPT | INFOCOM | 2023 | [PUB] [PDF] |
Truthful Incentive Mechanism for Federated Learning with Crowdsourced Data Labeling | มหาวิทยาลัยออเบิร์น | INFOCOM | 2023 | [PUB] [PDF] |
TVFL: Tunable Vertical Federated Learning towards Communication-Efficient Model Serving | USTC | INFOCOM | 2023 | [ผับ] |
PyramidFL: Fine-grained Data and System Heterogeneity-aware Client Selection for Efficient Federated Learning | MSU | MobiCom | 2022 | [PUB] [PDF] [CODE] |
NestFL: efficient federated learning through progressive model pruning in heterogeneous edge computing | pmlabs | MobiCom(Poster) | 2022 | [ผับ] |
Federated learning-based air quality prediction for smart cities using BGRU model | IITM | MobiCom(Poster) | 2022 | [ผับ] |
FedHD: federated learning with hyperdimensional computing | UCSD | MobiCom(Demo) | 2022 | [PUB] [CODE] |
Joint Superposition Coding and Training for Federated Learning over Multi-Width Neural Networks | Korea University | INFOCOM | 2022 | [ผับ] |
Towards Optimal Multi-Modal Federated Learning on Non-IID Data with Hierarchical Gradient Blending | University of Toronto | INFOCOM | 2022 | [ผับ] |
Optimal Rate Adaption in Federated Learning with Compressed Communications | SZU | INFOCOM | 2022 | [PUB] [PDF] |
The Right to be Forgotten in Federated Learning: An Efficient Realization with Rapid Retraining. | CityU | INFOCOM | 2022 | [PUB] [PDF] |
Tackling System and Statistical Heterogeneity for Federated Learning with Adaptive Client Sampling. | CUHK; AIRS ;Yale University | INFOCOM | 2022 | [PUB] [PDF] |
Communication-Efficient Device Scheduling for Federated Learning Using Stochastic Optimization | Army Research Laboratory, Adelphi | INFOCOM | 2022 | [PUB] [PDF] |
FLASH: Federated Learning for Automated Selection of High-band mmWave Sectors | NEU | INFOCOM | 2022 | [PUB] [CODE] |
A Profit-Maximizing Model Marketplace with Differentially Private Federated Learning | CUHK; AIRS | INFOCOM | 2022 | [ผับ] |
Protect Privacy from Gradient Leakage Attack in Federated Learning | PolyU | INFOCOM | 2022 | [PUB] [SLIDE] |
FedFPM: A Unified Federated Analytics Framework for Collaborative Frequent Pattern Mining. | SJTU | INFOCOM | 2022 | [PUB] [CODE] |
An Accuracy-Lossless Perturbation Method for Defending Privacy Attacks in Federated Learning | SWJTU;THU | WWW | 2022 | [PUB] [PDF] [CODE] |
LocFedMix-SL: Localize, Federate, and Mix for Improved Scalability, Convergence, and Latency in Split Learning | มหาวิทยาลัยยอนเซ | WWW | 2022 | [ผับ] |
Federated Unlearning via Class-Discriminative Pruning | PolyU | WWW | 2022 | [PUB] [PDF] [CODE] |
FedKC: Federated Knowledge Composition for Multilingual Natural Language Understanding | Purdue | WWW | 2022 | [ผับ] |
Powering Multi-Task Federated Learning with Competitive GPU Resource Sharing. | WWW (Companion Volume) | 2022 | ||
Federated Bandit: A Gossiping Approach | University of California | SIGMETRICS | 2021 | [PUB] [PDF] |
Hermes: an efficient federated learning framework for heterogeneous mobile clients | Duke University | MobiCom | 2021 | [ผับ] |
Federated mobile sensing for activity recognition | Samsung AI Center | MobiCom | 2021 | [PUB] [PAGE] [TALKS] [VIDEO] |
Learning for Learning: Predictive Online Control of Federated Learning with Edge Provisioning. | มหาวิทยาลัยหนานจิง | INFOCOM | 2021 | [ผับ] |
Device Sampling for Heterogeneous Federated Learning: Theory, Algorithms, and Implementation. | Purdue | INFOCOM | 2021 | [PUB] [PDF] |
FAIR: Quality-Aware Federated Learning with Precise User Incentive and Model Aggregation | THU | INFOCOM | 2021 | [ผับ] |
Sample-level Data Selection for Federated Learning | USTC | INFOCOM | 2021 | [ผับ] |
To Talk or to Work: Flexible Communication Compression for Energy Efficient Federated Learning over Heterogeneous Mobile Edge Devices | Xidian University; CAS | INFOCOM | 2021 | [PUB] [PDF] |
Cost-Effective Federated Learning Design | CUHK; AIRS; Yale University | INFOCOM | 2021 | [PUB] [PDF] |
An Incentive Mechanism for Cross-Silo Federated Learning: A Public Goods Perspective | The UBC | INFOCOM | 2021 | [ผับ] |
Resource-Efficient Federated Learning with Hierarchical Aggregation in Edge Computing | USTC | INFOCOM | 2021 | [ผับ] |
FedServing: A Federated Prediction Serving Framework Based on Incentive Mechanism. | Jinan University; CityU | INFOCOM | 2021 | [PUB] [PDF] |
Federated Learning over Wireless Networks: A Band-limited Coordinated Descent Approach | มหาวิทยาลัยรัฐแอริโซนา | INFOCOM | 2021 | [PUB] [PDF] |
Dual Attention-Based Federated Learning for Wireless Traffic Prediction | King Abdullah University of Science and Technology | INFOCOM | 2021 | [PUB] [PDF] [CODE] |
FedSens: A Federated Learning Approach for Smart Health Sensing with Class Imbalance in Resource Constrained Edge Computing | University of Notre Dame | INFOCOM | 2021 | [ผับ] |
P-FedAvg: Parallelizing Federated Learning with Theoretical Guarantees | SYSU; Guangdong Key Laboratory of Big Data Analysis and Processing | INFOCOM | 2021 | [ผับ] |
Meta-HAR: Federated Representation Learning for Human Activity Recognition. | University of Alberta | WWW | 2021 | [PUB] [PDF] [CODE] |
PFA: Privacy-preserving Federated Adaptation for Effective Model Personalization | PKU | WWW | 2021 | [PUB] [PDF] [CODE] |
Communication Efficient Federated Generalized Tensor Factorization for Collaborative Health Data Analytics | เอมอรี | WWW | 2021 | [PUB] [CODE] |
Hierarchical Personalized Federated Learning for User Modeling | USTC | WWW | 2021 | [ผับ] |
Characterizing Impacts of Heterogeneity in Federated Learning upon Large-Scale Smartphone Data | PKU | WWW | 2021 | [PUB] [PDF] [SLIDE] [CODE] |
Incentive Mechanism for Horizontal Federated Learning Based on Reputation and Reverse Auction | SYSU | WWW | 2021 | [ผับ] |
Physical-Layer Arithmetic for Federated Learning in Uplink MU-MIMO Enabled Wireless Networks. | มหาวิทยาลัยหนานจิง | INFOCOM | 2020 | [ผับ] |
Optimizing Federated Learning on Non-IID Data with Reinforcement Learning | University of Toronto | INFOCOM | 2020 | [PUB] [SLIDE] [CODE] [解读] |
Enabling Execution Assurance of Federated Learning at Untrusted Participants | THU | INFOCOM | 2020 | [PUB] [CODE] |
Billion-scale federated learning on mobile clients: a submodel design with tunable privacy | SJTU | MobiCom | 2020 | [ผับ] |
Federated Learning over Wireless Networks: Optimization Model Design and Analysis | The University of Sydney | INFOCOM | 2019 | [PUB] [CODE] |
Beyond Inferring Class Representatives: User-Level Privacy Leakage From Federated Learning | Wuhan University | INFOCOM | 2019 | [PUB] [PDF] [UC.] |
InPrivate Digging: Enabling Tree-based Distributed Data Mining with Differential Privacy | Collaborative Innovation Center of Geospatial Technology | INFOCOM | 2018 | [ผับ] |
Federated Learning papers accepted by top Database conference and journal, including OSDI(USENIX Symposium on Operating Systems Design and Implementation), SOSP(Symposium on Operating Systems Principles), ISCA(International Symposium on Computer Architecture), MLSys(Conference on Machine Learning and Systems), EuroSys(European Conference on Computer Systems), TPDS(IEEE Transactions on Parallel and Distributed Systems), DAC(Design Automation Conference), TOCS(ACM Transactions on Computer Systems), TOS(ACM Transactions on Storage), TCAD(IEEE Transactions on Computer-Aided Design of Integrated Circuits and Systems), TC(IEEE Transactions on Computers).
ชื่อ | Affiliation | Venue | ปี | วัสดุ |
---|---|---|---|---|
AdaptiveFL: Adaptive Heterogeneous Federated Learning for Resource-Constrained AIoT Systems. | DAC | 2024 | [ผับ] | |
Fake Node-Based Perception Poisoning Attacks against Federated Object Detection Learning in Mobile Computing Networks | DAC | 2024 | [ผับ] | |
Flagger: Cooperative Acceleration for Large-Scale Cross-Silo Federated Learning Aggregation | ISCA | 2024 | [ผับ] | |
FedTrans: Efficient Federated Learning via Multi-Model Transformation | UIUC | MLSys | 2024 | [PUB] [PDF] |
LIFL: A Lightweight, Event-driven Serverless Platform for Federated Learning | UC Riverside | MLSys | 2024 | [PUB] [PDF] |
HeteroSwitch: Characterizing and Taming System-Induced Data Heterogeneity in Federated Learning | Korea University | MLSys | 2024 | [PUB] [PDF] [CODE] |
DeTA: Minimizing Data Leaks in Federated Learning via Decentralized and Trustworthy Aggregation | IBM Research | EuroSys | 2024 | [ผับ] |
FLOAT: Federated Learning Optimizations with Automated Tuning | Virginia Tech | EuroSys | 2024 | [PUB] [CODE] |
Totoro: A Scalable Federated Learning Engine for the Edge | UCSC | EuroSys | 2024 | [ผับ] |
Dordis: Efficient Federated Learning with Dropout-Resilient Differential Privacy | HKUST | EuroSys | 2024 | [PUB] [PDF] [CODE] |
FLIGAN: Enhancing Federated Learning with Incomplete Data using GAN | EuroSys workshop | 2024 | [ผับ] | |
ALS Algorithm for Robust and Communication-Efficient Federated Learning | EuroSys workshop | 2024 | [ผับ] | |
FedRDMA: Communication-Efficient Cross-Silo Federated LLM via Chunked RDMA Transmission. | EuroSys workshop | 2024 | [ผับ] | |
Breaking the Memory Wall for Heterogeneous Federated Learning via Model Splitting. | TPDS | 2024 | [ผับ] | |
SR-FDIL: Synergistic Replay for Federated Domain-Incremental Learning | TPDS | 2024 | [ผับ] | |
FedVeca: Federated Vectorized Averaging on Non-IID Data With Adaptive Bi-Directional Global Objective | TPDS | 2024 | [ผับ] | |
Trusted Model Aggregation With Zero-Knowledge Proofs in Federated Learning. | TPDS | 2024 | [ผับ] | |
Accelerating Communication-Efficient Federated Multi-Task Learning With Personalization and Fairness. | TPDS | 2024 | [ผับ] | |
Privacy-Preserving Data Selection for Horizontal and Vertical Federated Learning. | TPDS | 2024 | [ผับ] | |
High-Performance Hardware Acceleration Architecture for Cross-Silo Federated Learning | TPDS | 2024 | [ผับ] | |
Joint Participant and Learning Topology Selection for Federated Learning in Edge Clouds | TPDS | 2024 | [ผับ] | |
Synchronize Only the Immature Parameters: Communication-Efficient Federated Learning By Freezing Parameters Adaptively | SJTU | TPDS | 2024 | [ผับ] |
FedREM: Guided Federated Learning in the Presence of Dynamic Device Unpredictability | SYSU | TPDS | 2024 | [ผับ] |
Fed-RAC: Resource-Aware Clustering for Tackling Heterogeneity of Participants in Federated Learning | IITP | TPDS | 2024 | [PUB] [PDF] |
Taking Advantage of the Mistakes: Rethinking Clustered Federated Learning for IoT Anomaly Detection | UVIC | TPDS | 2024 | [ผับ] |
FedICT: Federated Multi-Task Distillation for Multi-Access Edge Computing | UCAS | TPDS | 2024 | [PUB] [PDF] |
Collaboration in Federated Learning With Differential Privacy: A Stackelberg Game Analysis | SYSU | TPDS | 2024 | [ผับ] |
FAST: Enhancing Federated Learning Through Adaptive Data Sampling and Local Training | USTC | TPDS | 2024 | [ผับ] |
EcoFed: Efficient Communication for DNN Partitioning-Based Federated Learning | University of St Andrews | TPDS | 2024 | [PUB] [PDF] [CODE] |
FedHAP: Federated Hashing With Global Prototypes for Cross-Silo Retrieval | THU | TPDS | 2024 | [PUB] [PDF] |
FlexFL: Heterogeneous Federated Learning via APoZ-Guided Flexible Pruning in Uncertain Scenarios. | TCAD | 2024 | [ผับ] | |
Personalized Meta-Federated Learning for IoT-Enabled Health Monitoring | TCAD | 2024 | [ผับ] | |
NebulaFL: Self-Organizing Efficient Multilayer Federated Learning Framework With Adaptive Load Tuning in Heterogeneous Edge Systems | TCAD | 2024 | [ผับ] | |
CaBaFL: Asynchronous Federated Learning via Hierarchical Cache and Feature Balance | TCAD | 2024 | [ผับ] | |
FedStar: Efficient Federated Learning on Heterogeneous Communication Networks | USTC | TCAD | 2024 | [ผับ] |
Lithography Hotspot Detection Based on Heterogeneous Federated Learning With Local Adaptation and Feature Selection | ZJU | TCAD | 2024 | [PUB] [PDF] |
FedComp: A Federated Learning Compression Framework for Resource-Constrained Edge Computing Devices | ตี | TCAD | 2024 | [ผับ] |
BSR-FL: An Efficient Byzantine-Robust Privacy-Preserving Federated Learning Framework | ทีซี | 2024 | [ผับ] | |
User-Distribution-Aware Federated Learning for Efficient Communication and Fast Inference | ECNU; SHU | ทีซี | 2024 | [ผับ] |
FedRFQ: Prototype-Based Federated Learning With Reduced Redundancy, Minimal Failure, and Enhanced Quality | SDU | ทีซี | 2024 | [PUB] [PDF] |
Value of Information: A Comprehensive Metric for Client Selection in Federated Edge Learning | SDU | ทีซี | 2024 | [ผับ] |
Age-Aware Data Selection and Aggregator Placement for Timely Federated Continual Learning in Mobile Edge Computing | DLUT | ทีซี | 2024 | [ผับ] |
FedGKD: Toward Heterogeneous Federated Learning via Global Knowledge Distillation | HUST | ทีซี | 2024 | [PUB] [PDF] |
Digital Twin-Assisted Federated Learning Service Provisioning Over Mobile Edge Networks | SDU | ทีซี | 2024 | [ผับ] |
REFL: Resource-Efficient Federated Learning | QMUL | EuroSys | 2023 | [PUB] [PDF] [CODE] |
A First Look at the Impact of Distillation Hyper-Parameters in Federated Knowledge Distillation | EuroSys workshop | 2023 | [ผับ] | |
Towards Practical Few-shot Federated NLP | EuroSys workshop | 2023 | [ผับ] | |
Can Fair Federated Learning Reduce the need for Personalisation? | EuroSys workshop | 2023 | [ผับ] | |
Gradient-less Federated Gradient Boosting Tree with Learnable Learning Rates | EuroSys workshop | 2023 | [ผับ] | |
Towards Robust and Bias-free Federated Learning | EuroSys workshop | 2023 | [ผับ] | |
FedTree: A Federated Learning System For Trees | UC Berkeley | MLSys | 2023 | [PUB] [CODE] |
FLINT: A Platform for Federated Learning Integration | ลิงค์อิน | MLSys | 2023 | [PUB] [PDF] |
On Noisy Evaluation in Federated Hyperparameter Tuning | CMU | MLSys | 2023 | [PUB] [PDF] [CODE] |
GlueFL: Reconciling Client Sampling and Model Masking for Bandwidth Efficient Federated Learning | UBC | MLSys | 2023 | [PUB] [PDF] [CODE] |
Self-Supervised On-Device Federated Learning From Unlabeled Streams. | FDU | TCAD | 2023 | [PUB] [PDF] |
Optimizing Training Efficiency and Cost of Hierarchical Federated Learning in Heterogeneous Mobile-Edge Cloud Computing | อีซีเอ็นยู | TCAD | 2023 | [ผับ] |
Lightweight Blockchain-Empowered Secure and Efficient Federated Edge Learning | University of Exeter | ทีซี | 2023 | [ผับ] |
Towards Data-Independent Knowledge Transfer in Model-Heterogeneous Federated Learning | PolyU | ทีซี | 2023 | [ผับ] |
A New Federated Scheduling Algorithm for Arbitrary-Deadline DAG Tasks | NEFU | ทีซี | 2023 | [ผับ] |
Privacy-Enhanced Decentralized Federated Learning at Dynamic Edge | SDU | ทีซี | 2023 | [ผับ] |
Byzantine-Resilient Federated Learning at Edge | SDU | ทีซี | 2023 | [PUB] [PDF] |
PrivAim: A Dual-Privacy Preserving and Quality-Aware Incentive Mechanism for Federated Learning | CSU | ทีซี | 2023 | [ผับ] |
Accelerating Federated Learning With a Global Biased Optimiser | University of Exeter | ทีซี | 2023 | [PUB] [PDF] [CODE] |
Type-Aware Federated Scheduling for Typed DAG Tasks on Heterogeneous Multicore Platforms | TU Dortmund University | ทีซี | 2023 | [PUB] [CODE] |
Sandbox Computing: A Data Privacy Trusted Sharing Paradigm Via Blockchain and Federated Learning. | BUPT | ทีซี | 2023 | [ผับ] |
CHEESE: Distributed Clustering-Based Hybrid Federated Split Learning Over Edge Networks | SUDA | TPDS | 2023 | [ผับ] |
Hierarchical Federated Learning With Momentum Acceleration in Multi-Tier Networks | University of Sydney | TPDS | 2023 | [PUB] [PDF] |
Dap-FL: Federated Learning Flourishes by Adaptive Tuning and Secure Aggregation | Xidian University | TPDS | 2023 | [PUB] [PDF] [CODE] |
Collaborative Intrusion Detection System for SDVN: A Fairness Federated Deep Learning Approach | Anhui University | TPDS | 2023 | [ผับ] |
Energy-Aware, Device-to-Device Assisted Federated Learning in Edge Computing | ANU | TPDS | 2023 | [ผับ] |
Faster Federated Learning With Decaying Number of Local SGD Steps | University of Exeter | TPDS | 2023 | [PUB] [PDF] [CODE] |
DRFL: Federated Learning in Diabetic Retinopathy Grading Using Fundus Images | National Institute of Technology Silchar | TPDS | 2023 | [ผับ] |
FedProf: Selective Federated Learning Based on Distributional Representation Profiling | Peng Cheng Laboratory | TPDS | 2023 | [PUB] [PDF] [UC] |
Federated Ensemble Model-Based Reinforcement Learning in Edge Computing | University of Exeter | TPDS | 2023 | [PUB] [PDF] |
Incentive Mechanism Design for Joint Resource Allocation in Blockchain-Based Federated Learning. | IUPUI | TPDS | 2023 | [PUB] [PDF] |
HiFlash: Communication-Efficient Hierarchical Federated Learning With Adaptive Staleness Control and Heterogeneity-Aware Client-Edge Association. | SYSU | TPDS | 2023 | [PUB] [PDF] |
From Deterioration to Acceleration: A Calibration Approach to Rehabilitating Step Asynchronism in Federated Optimization. | PolyU | TPDS | 2023 | [PUB] [PDF] [CODE] |
Federated Learning Over Coupled Graphs | XJTU | TPDS | 2023 | [PUB] [PDF] |
Privacy vs. Efficiency: Achieving Both Through Adaptive Hierarchical Federated Learning | NUDT | TPDS | 2023 | [ผับ] |
On Model Transmission Strategies in Federated Learning With Lossy Communications | SZU | TPDS | 2023 | [ผับ] |
Scheduling Algorithms for Federated Learning With Minimal Energy Consumption | University of Bordeaux | TPDS | 2023 | [PUB] [PDF] [CODE] |
Auction-Based Cluster Federated Learning in Mobile Edge Computing Systems | ตี | TPDS | 2023 | [PUB] [PDF] |
Personalized Edge Intelligence via Federated Self-Knowledge Distillation. | HUST | TPDS | 2023 | [PUB] [CODE] |
Design of a Quantization-Based DNN Delta Compression Framework for Model Snapshots and Federated Learning. | ตี | TPDS | 2023 | [ผับ] |
Multi-Job Intelligent Scheduling With Cross-Device Federated Learning. | ไป่ตู้ | TPDS | 2023 | [PUB] [PDF] |
Data-Centric Client Selection for Federated Learning Over Distributed Edge Networks. | IIT | TPDS | 2023 | [ผับ] |
GossipFL: A Decentralized Federated Learning Framework With Sparsified and Adaptive Communication. | HKBU | TPDS | 2023 | [ผับ] |
FedMDS: An Efficient Model Discrepancy-Aware Semi-Asynchronous Clustered Federated Learning Framework. | CQU | TPDS | 2023 | [ผับ] |
HierFedML: Aggregator Placement and UE Assignment for Hierarchical Federated Learning in Mobile Edge Computing. | DUT | TPDS | 2023 | [ผับ] |
Data selection for efficient model update in federated learning | EuroSys workshop | 2022 | [ผับ] | |
Empirical analysis of federated learning in heterogeneous environments | EuroSys workshop | 2022 | [ผับ] | |
BAFL: A Blockchain-Based Asynchronous Federated Learning Framework | ทีซี | 2022 | [PUB] [CODE] | |
L4L: Experience-Driven Computational Resource Control in Federated Learning | ทีซี | 2022 | [ผับ] | |
Adaptive Federated Learning on Non-IID Data With Resource Constraint | ทีซี | 2022 | [ผับ] | |
Locking Protocols for Parallel Real-Time Tasks With Semaphores Under Federated Scheduling. | TCAD | 2022 | [ผับ] | |
Client Scheduling and Resource Management for Efficient Training in Heterogeneous IoT-Edge Federated Learning | อีซีเอ็นยู | TCAD | 2022 | [ผับ] |
PervasiveFL: Pervasive Federated Learning for Heterogeneous IoT Systems. | อีซีเอ็นยู | TCAD | 2022 | [ผับ] |
FHDnn: communication efficient and robust federated learning for AIoT networks | UC San Diego | DAC | 2022 | [ผับ] |
A Decentralized Federated Learning Framework via Committee Mechanism With Convergence Guarantee | SYSU | TPDS | 2022 | [PUB] [PDF] |
Improving Federated Learning With Quality-Aware User Incentive and Auto-Weighted Model Aggregation | THU | TPDS | 2022 | [ผับ] |
$f$funcX: Federated Function as a Service for Science. | SUST | TPDS | 2022 | [PUB] [PDF] |
Blockchain Assisted Decentralized Federated Learning (BLADE-FL): Performance Analysis and Resource Allocation | NUST | TPDS | 2022 | [PUB] [PDF] [CODE] |
Adaptive Federated Deep Reinforcement Learning for Proactive Content Caching in Edge Computing. | CQU | TPDS | 2022 | [ผับ] |
TDFL: Truth Discovery Based Byzantine Robust Federated Learning | นิดหน่อย | TPDS | 2022 | [ผับ] |
Federated Learning With Nesterov Accelerated Gradient | The University of Sydney | TPDS | 2022 | [PUB] [PDF] |
FedGraph: Federated Graph Learning with Intelligent Sampling | UoA | TPDS | 2022 | [PUB] [CODE] [解读] |
AUCTION: Automated and Quality-Aware Client Selection Framework for Efficient Federated Learning. | THU | TPDS | 2022 | [ผับ] |
DONE: Distributed Approximate Newton-type Method for Federated Edge Learning. | University of Sydney | TPDS | 2022 | [PUB] [PDF] [CODE] |
Flexible Clustered Federated Learning for Client-Level Data Distribution Shift. | CQU | TPDS | 2022 | [PUB] [PDF] [CODE] |
Min-Max Cost Optimization for Efficient Hierarchical Federated Learning in Wireless Edge Networks. | Xidian University | TPDS | 2022 | [ผับ] |
LightFed: An Efficient and Secure Federated Edge Learning System on Model Splitting. | CSU | TPDS | 2022 | [ผับ] |
On the Benefits of Multiple Gossip Steps in Communication-Constrained Decentralized Federated Learning. | Purdue | TPDS | 2022 | [PUB] [PDF] [CODE] |
Incentive-Aware Autonomous Client Participation in Federated Learning. | Sun Yat-sen University | TPDS | 2022 | [ผับ] |
Communicational and Computational Efficient Federated Domain Adaptation. | HKUST | TPDS | 2022 | [ผับ] |
Decentralized Edge Intelligence: A Dynamic Resource Allocation Framework for Hierarchical Federated Learning. | นทียู | TPDS | 2022 | [ผับ] |
Differentially Private Byzantine-Robust Federated Learning. | Qufu Normal University | TPDS | 2022 | [ผับ] |
Multi-Task Federated Learning for Personalised Deep Neural Networks in Edge Computing. | University of Exeter | TPDS | 2022 | [PUB] [PDF] [CODE] |
Reputation-Aware Hedonic Coalition Formation for Efficient Serverless Hierarchical Federated Learning. | BUAA | TPDS | 2022 | [ผับ] |
Differentially Private Federated Temporal Difference Learning. | Stony Brook University | TPDS | 2022 | [ผับ] |
Towards Efficient and Stable K-Asynchronous Federated Learning With Unbounded Stale Gradients on Non-IID Data. | XJTU | TPDS | 2022 | [PUB] [PDF] |
Communication-Efficient Federated Learning With Compensated Overlap-FedAvg. | SCU | TPDS | 2022 | [PUB] [PDF] [CODE] |
PAPAYA: Practical, Private, and Scalable Federated Learning. | เมตาเอไอ | MLSys | 2022 | [PUB] [PDF] |
LightSecAgg: a Lightweight and Versatile Design for Secure Aggregation in Federated Learning | USC | MLSys | 2022 | [PUB] [PDF] [CODE] |
Accelerated Training via Device Similarity in Federated Learning | EuroSys workshop | 2021 | [ผับ] | |
Towards Federated Learning with Attention Transfer to Mitigate System and Data Heterogeneity of Clients | EuroSys workshop | 2021 | [ผับ] | |
Towards Mitigating Device Heterogeneity in Federated Learning via Adaptive Model Quantization | EuroSys workshop | 2021 | [ผับ] | |
SAFA: A Semi-Asynchronous Protocol for Fast Federated Learning With Low Overhead | University of Warwick | ทีซี | 2021 | [PDF] [PUB] [CODE] |
Efficient Federated Learning for Cloud-Based AIoT Applications | อีซีเอ็นยู | TCAD | 2021 | [ผับ] |
HADFL: Heterogeneity-aware Decentralized Federated Learning Framework | USTC | DAC | 2021 | [PDF] [PUB] |
Helios: Heterogeneity-Aware Federated Learning with Dynamically Balanced Collaboration. | GMU | DAC | 2021 | [PDF] [PUB] |
FedLight: Federated Reinforcement Learning for Autonomous Multi-Intersection Traffic Signal Control. | อีซีเอ็นยู | DAC | 2021 | [ผับ] |
Oort: Efficient Federated Learning via Guided Participant Selection | University of Michigan | OSDI | 2021 | [PUB] [PDF] [CODE] [SLIDES] [VIDEO] |
Towards Efficient Scheduling of Federated Mobile Devices Under Computational and Statistical Heterogeneity. | Old Dominion University | TPDS | 2021 | [PUB] [PDF] |
Self-Balancing Federated Learning With Global Imbalanced Data in Mobile Systems. | CQU | TPDS | 2021 | [PUB] [CODE] |
An Efficiency-Boosting Client Selection Scheme for Federated Learning With Fairness Guarantee | SCUT | TPDS | 2021 | [PUB] [PDF] [解读] |
Proof of Federated Learning: A Novel Energy-Recycling Consensus Algorithm. | มหาวิทยาลัยปักกิ่งนอร์มอล | TPDS | 2021 | [PUB] [PDF] |
Biscotti: A Blockchain System for Private and Secure Federated Learning. | UBC | TPDS | 2021 | [ผับ] |
Mutual Information Driven Federated Learning. | Deakin University | TPDS | 2021 | [ผับ] |
Accelerating Federated Learning Over Reliability-Agnostic Clients in Mobile Edge Computing Systems. | University of Warwick | TPDS | 2021 | [PUB] [PDF] |
FedSCR: Structure-Based Communication Reduction for Federated Learning. | HKU | TPDS | 2021 | [ผับ] |
FedScale: Benchmarking Model and System Performance of Federated Learning | University of Michigan | SOSP workshop / ICML 2022 | 2021 | [PUB] [PDF] [CODE] [解读] |
Redundancy in cost functions for Byzantine fault-tolerant federated learning | SOSP workshop | 2021 | [ผับ] | |
Towards an Efficient System for Differentially-private, Cross-device Federated Learning | SOSP workshop | 2021 | [ผับ] | |
GradSec: a TEE-based Scheme Against Federated Learning Inference Attacks | SOSP workshop | 2021 | [ผับ] | |
Community-Structured Decentralized Learning for Resilient EI. | SOSP workshop | 2021 | [ผับ] | |
Separation of Powers in Federated Learning (Poster Paper) | IBM Research | SOSP workshop | 2021 | [PUB] [PDF] |
Towards federated unsupervised representation learning | EuroSys workshop | 2020 | [ผับ] | |
CoLearn: enabling federated learning in MUD-compliant IoT edge networks | EuroSys workshop | 2020 | [ผับ] | |
LDP-Fed: federated learning with local differential privacy. | EuroSys workshop | 2020 | [ผับ] | |
Accelerating Federated Learning via Momentum Gradient Descent. | USTC | TPDS | 2020 | [PUB] [PDF] |
Towards Fair and Privacy-Preserving Federated Deep Models. | NUS | TPDS | 2020 | [PUB] [PDF] [CODE] |
Federated Optimization in Heterogeneous Networks | CMU | MLSys | 2020 | [PUB] [PDF] [CODE] |
Towards Federated Learning at Scale: System Design | MLSys | 2019 | [PUB] [PDF] [解读] |
Federated Learning papers accepted by top conference and journal in the other fields, including ICSE(International Conference on Software Engineering), FOCS(IEEE Annual Symposium on Foundations of Computer Science), STOC(Symposium on the Theory of Computing).
ชื่อ | Affiliation | Venue | ปี | วัสดุ |
---|---|---|---|---|
F-CodeLLM: A Federated Learning Framework for Adapting Large Language Models to Practical Software Development | SYSU | ICSE Companion | 2024 | ผับ |
Raft Protocol for Fault Tolerance and Self-Recovery in Federated Learning | SINTEF Digital | SEAMS@ICSE | 2024 | ผับ |
FedDebug: Systematic Debugging for Federated Learning Applications. | Virginia Tech | ICSE | 2023 | pub pdf code |
FedSlice: Protecting Federated Learning Models from Malicious Participants with Model Slicing. | PKU | ICSE | 2023 | pub code |
Towards a Self-Adaptive Architecture for Federated Learning of Industrial Automation Systems | SEAMS@ICSE workshop | 2021 | ผับ | |
Federated Machine Learning as a Self-Adaptive Problem | SEAMS@ICSE workshop | 2021 | ผับ |
This section partially refers to DBLP search engine and repositories Awesome-Federated-Learning-on-Graph-and-GNN-papers and Awesome-Federated-Machine-Learning.
ชื่อ | Affiliation | Venue | ปี | วัสดุ |
---|---|---|---|---|
FedGCN: Convergence and Communication Tradeoffs in Federated Training of Graph Convolutional Networks | CMU | NeurIPS ? | 2023 | [PDF] [CODE] |
Wyze Rule: Federated Rule Dataset for Rule Recommendation Benchmarking | CMU | NeurIPS Dataset Track ? | 2023 | [PDF] [DATASET] [CODE] |
Federated Visualization: A Privacy-Preserving Strategy for Aggregated Visual Query. | ZJU | IEEE Trans. Vis. Comput. กราฟ. - | 2023 | [PUB] [PDF] |
Personalized Subgraph Federated Learning | KAIST | ICML ? | 2023 | [PDF] |
Semi-decentralized Federated Ego Graph Learning for Recommendation | SUST | WWW:mortar_board: | 2023 | [PUB] [PDF] |
Federated Graph Neural Network for Fast Anomaly Detection in Controller Area Networks | ECUST | IEEE Trans. Inf. Forensics Secur. - | 2023 | [ผับ] |
Federated Learning Over Coupled Graphs | XJTU | IEEE Trans. Parallel Distributed Syst. - | 2023 | [PUB] [PDF] |
HetVis: A Visual Analysis Approach for Identifying Data Heterogeneity in Horizontal Federated Learning | Nankai University | IEEE Trans. Vis. Comput. กราฟ. - | 2023 | [PUB] [PDF] |
Federated Learning on Non-IID Graphs via Structural Knowledge Sharing | UTS | AAAI ? | 2023 | [PDF] [CODE] |
FedGS: Federated Graph-based Sampling with Arbitrary Client Availability | XMU | AAAI ? | 2023 | [PDF] [CODE] |
An Information Theoretic Perspective for Heterogeneous Subgraph Federated Learning. | PKU | DASFAA | 2023 | [ผับ] |
GraphCS: Graph-based client selection for heterogeneity in federated learning | NUDT | J. Parallel Distributed Comput. | 2023 | [ผับ] |
Towards On-Device Federated Learning: A Direct Acyclic Graph-based Blockchain Approach | BUPT | IEEE Trans. Neural Networks Learn. Syst. | 2023 | [PUB] [PDF] |
Short-Term Traffic Flow Prediction Based on Graph Convolutional Networks and Federated Learning | ZUEL | IEEE Trans. Intell. Transp. Syst. | 2023 | [ผับ] |
Hyper-Graph Attention Based Federated Learning Methods for Use in Mental Health Detection. | HVL | IEEE J. Biomed. Health Informatics | 2023 | [ผับ] |
Federated Learning-Based Cross-Enterprise Recommendation With Graph Neural | IEEE Trans. Ind. Informatics | 2023 | [ผับ] | |
Graph-Fraudster: Adversarial Attacks on Graph Neural Network Based Vertical Federated Learning | ZJUT | IEEE Trans. Comput. Soc. Syst. | 2023 | [PUB] [PDF] [CODE] |
ESA-FedGNN: Efficient secure aggregation for federated graph neural networks. | Peer Peer Netw. Appl. | 2023 | [ผับ] | |
FedCKE: Cross-Domain Knowledge Graph Embedding in Federated Learning | SWJTU | IEEE Trans. ข้อมูลขนาดใหญ่ | 2023 | [ผับ] |
Asynchronous federated learning with directed acyclic graph-based blockchain in edge computing: Overview, design, and challenges. | Expert Syst. Appl. | 2023 | [ผับ] | |
FedGR: Federated Graph Neural Network for Recommendation System | CUPT | Axioms | 2023 | [ผับ] |
S-Glint: Secure Federated Graph Learning With Traffic Throttling and Flow Scheduling. | IEEE Trans. Green Commun. Netw. | 2023 | [ผับ] | |
FedAGCN: A traffic flow prediction framework based on federated learning and Asynchronous Graph Convolutional Network | Appl. Soft Comput. | 2023 | [ผับ] | |
GDFed: Dynamic Federated Learning for Heterogenous Device Using Graph Neural Network | KHU | ICOIN | 2023 | [PUB] [CODE] |
Coordinated Scheduling and Decentralized Federated Learning Using Conflict Clustering Graphs in Fog-Assisted IoD Networks | UBC | IEEE Trans. Veh. Technol. | 2023 | [ผับ] |
FedRule: Federated Rule Recommendation System with Graph Neural Networks | CMU | IoTDI | 2023 | [PUB] [PDF] [CODE] |
FedWalk: Communication Efficient Federated Unsupervised Node Embedding with Differential Privacy | SJTU | KDD ? | 2022 | [PUB] [PDF] |
FederatedScope-GNN: Towards a Unified, Comprehensive and Efficient Platform for Federated Graph Learning | อาลีบาบา | KDD (Best Paper Award) ? | 2022 | [PDF] [CODE] [PUB] |
Deep Neural Network Fusion via Graph Matching with Applications to Model Ensemble and Federated Learning | SJTU | ICML ? | 2022 | [PUB] [CODE] |
Meta-Learning Based Knowledge Extrapolation for Knowledge Graphs in the Federated Setting kg. | ZJU | IJCAI ? | 2022 | [PUB] [PDF] [CODE] |
Personalized Federated Learning With a Graph | UTS | IJCAI ? | 2022 | [PUB] [PDF] [CODE] |
Vertically Federated Graph Neural Network for Privacy-Preserving Node Classification | ZJU | IJCAI ? | 2022 | [PUB] [PDF] |
SpreadGNN: Decentralized Multi-Task Federated Learning for Graph Neural Networks on Molecular Data | USC | AAAI:mortar_board: | 2022 | [PUB] [PDF] [CODE] [解读] |
FedGraph: Federated Graph Learning with Intelligent Sampling | UoA | TPDS ? | 2022 | [PUB] [CODE] [解读] |
Federated Graph Machine Learning: A Survey of Concepts, Techniques, and Applications surv. | University of Virginia | SIGKDD Explor. | 2022 | [PUB] [PDF] |
Semantic Vectorization: Text- and Graph-Based Models. | IBM Research | Federated Learning | 2022 | [ผับ] |
GraphFL: A Federated Learning Framework for Semi-Supervised Node Classification on Graphs | IIT | ICDM | 2022 | [PUB] [PDF] [解读] |
More is Better (Mostly): On the Backdoor Attacks in Federated Graph Neural Networks | TU Delft | ACSAC | 2022 | [PUB] [PDF] |
FedNI: Federated Graph Learning with Network Inpainting for Population-Based Disease Prediction | UESTC | TMI | 2022 | [PUB] [PDF] |
SemiGraphFL: Semi-supervised Graph Federated Learning for Graph Classification. | PKU | PPSN | 2022 | [ผับ] |
Federated Spatio-Temporal Traffic Flow Prediction Based on Graph Convolutional Network | TJU | WCSP | 2022 | [ผับ] |
A federated graph neural network framework for privacy-preserving personalization | THU | Nature Communications | 2022 | [PUB] [CODE] [解读] |
Malicious Transaction Identification in Digital Currency via Federated Graph Deep Learning | นิดหน่อย | INFOCOM Workshops | 2022 | [ผับ] |
Efficient Federated Learning on Knowledge Graphs via Privacy-preserving Relation Embedding Aggregation kg. | Lehigh University | EMNLP | 2022 | [PUB] [PDF] [CODE] |
Power Allocation for Wireless Federated Learning using Graph Neural Networks | Rice University | ICASSP | 2022 | [PUB] [PDF] [CODE] |
Privacy-Preserving Federated Multi-Task Linear Regression: A One-Shot Linear Mixing Approach Inspired By Graph Regularization | UC | ICASSP | 2022 | [PUB] [PDF] [CODE] |
Graph-regularized federated learning with shareable side information | NWPU | Knowl. Based Syst. | 2022 | [ผับ] |
Federated knowledge graph completion via embedding-contrastive learning kg. | ZJU | Knowl. Based Syst. | 2022 | [ผับ] |
Federated Graph Learning with Periodic Neighbour Sampling | HKU | IWQoS | 2022 | [ผับ] |
FedGSL: Federated Graph Structure Learning for Local Subgraph Augmentation. | ข้อมูลขนาดใหญ่ | 2022 | [ผับ] | |
Domain-Aware Federated Social Bot Detection with Multi-Relational Graph Neural Networks. | UCAS; CAS | IJCNN | 2022 | [ผับ] |
A Federated Multi-Server Knowledge Graph Embedding Framework For Link Prediction. | ICTAI | 2022 | [ผับ] | |
A Privacy-Preserving Subgraph-Level Federated Graph Neural Network via Differential Privacy | Ping An Technology | KSEM | 2022 | [PUB] [PDF] |
Clustered Graph Federated Personalized Learning. | NTNU | IEEECONF | 2022 | [ผับ] |
Investigating the Predictive Reproducibility of Federated Graph Neural Networks using Medical Datasets. | MICCAI Workshop | 2022 | [PDF] [CODE] | |
Peer-to-Peer Variational Federated Learning Over Arbitrary Graphs | UCSD | Int. J. Bio Inspired |