Awesome FL
v2024-beta
目录
我们使用另一个项目来自动跟踪 FL 论文的更新，如果需要，请单击 FL-paper-update-tracker。
更多项目将被添加到存储库中。请随时通过打开问题报告、提交拉取请求或给我发送电子邮件@ ([email protected]) 来建议其他关键资源。如果您想与更多联邦学习领域的朋友交流，请加入QQ群【联邦学习交流群】，群号833638275，祝阅读愉快！
存储库更新通知
2024/09/30
尊敬的用户， 我们想通知您一些将影响此开源存储库的更改。所有者和主要贡献者@youngfish42 已成功完成他的博士研究？截至 2024 年 9 月 30 日，他的研究重点已转移。这种情况的变化将影响存储库论文列表的更新频率和范围。
我们预计论文列表现在将每月或每季度更新一次，而不是以前的定期更新。此外，这些更新的深度将会减少。例如，与作者所在机构和开源代码相关的更新将不再主动维护。
我们知道这可能会影响您从此存储库中获得的价值。因此，我们诚邀更多的贡献者参与内容的更新。这种协作努力将确保存储库仍然是每个人的宝贵资源。
我们感谢您的理解，并期待您继续支持和贡献。
此致，
白小鱼（幼鱼）
类别
人工智能（IJCAI、AAAI、AISTATS、ALT、AI）
机器学习（NeurIPS、ICML、ICLR、COLT、UAI、机器学习、JMLR、TPAMI）
数据挖掘（KDD、WSDM）
安全（S&P、CCS、USENIX 安全、NDSS）
计算机视觉（ICCV、CVPR、ECCV、MM、IJCV）
自然语言处理（ACL、EMNLP、NAACL、COLING）
信息检索（SIGIR）
数据库（SIGMOD、ICDE、VLDB）
网络（SIGCOMM、INFOCOM、MOBICOM、NSDI、WWW）
系统（OSDI、SOSP、ISCA、MLSys、EuroSys、TPDS、DAC、TOCS、TOS、TCAD、TC）
其他（ICSE、FOCS、STOC）
| 场地 | 2024-2020 | 2020年之前 |
|---|---|---|
| IJCAI | 24, 23, 22, 21, 20 | 19 |
| AAAI | 24, 23, 22, 21, 20 | - |
| 澳大利亚统计局 | 24, 23, 22, 21, 20 | - |
| 丙氨酸转氨酶 | 22 | - |
| 人工智能（日） | 23 | - |
| 神经信息处理系统 | 24, 23, 22, 21, 20 | 18, 17 |
| ICML | 24, 23, 22, 21, 20 | 19 |
| ICLR | 24, 23, 22, 21, 20 | - |
| 小马 | 23 | - |
| 联合人工智能 | 23、22、21 | - |
| 机器学习（日） | 24, 23, 22 | - |
| JMLR (日本) | 24, 23, 22 | - |
| TPAMI (日本) | 25, 24, 23, 22 | - |
| 凯德 | 24, 23, 22, 21, 20 | |
| WSDM | 24, 23, 22, 21 | 19 |
| 标准普尔 | 24, 23, 22 | 19 |
| CCS | 24, 23, 22, 21, 19 | 17 号 |
| USENIX 安全 | 23, 22, 20 | - |
| NDSS | 24, 23, 22, 21 | - |
| CVPR | 24, 23, 22, 21 | - |
| ICCV | 23,21 | - |
| ECCV | 24, 22, 20 | - |
| 毫米 | 24, 23, 22, 21, 20 | - |
| IJCV（日） | 24 | - |
| 前交叉韧带 | 23、22、21 | 19 |
| 全国AACL | 24、22、21 | - |
| EMNLP | 24, 23, 22, 21, 20 | - |
| 科林 | 20 | - |
| 西吉尔 | 24, 23, 22, 21, 20 | - |
| 西格莫德 | 22, 21 | - |
| ICDE | 24, 23, 22, 21 | - |
| 超长数据库 | 23, 22, 21, 21, 20 | - |
| 信号通讯 | - | - |
| 信息通信公司 | 24, 23, 22, 21, 20 | 19, 18 |
| 移动通讯公司 | 24, 23, 22, 21, 20 | |
| 国家统计局 | 23(1, 2) | - |
| 万维网 | 24, 23, 22, 21 | |
| 开放式数据接口 | 21 | - |
| SOSP | 21 | - |
| 伊斯卡 | 24 | - |
| ML系统 | 24, 23, 22, 20 | 19 |
| 欧洲系统公司 | 24, 23, 22, 21, 20 | |
| TPDS（日） | 24, 23, 22, 21, 20 | - |
| 数模转换器 | 24、22、21 | - |
| 总目录 | - | - |
| 服务条款 | - | - |
| 计算机辅助设计 | 24, 23, 22, 21 | - |
| TC | 24, 23, 22, 21 | - |
| 国际科学教育协会 | 23, 21 | - |
| FOCS | - | - |
| 斯托克 | - | - |
关键词
统计：代码可用且星星 >= 100 |引用 >= 50 | ？顶级场馆
kg. ：知识图谱| data. ：数据集| surv. ： 民意调查
Nature（及其子期刊）、Cell、Science（和Science Advances）、PANS中联邦学习的论文均指WOS搜索引擎。
| 标题 | 联系 | 场地 | 年 | 材料 |
|---|---|---|---|---|
| MatSwarm：受信任的群体迁移学习驱动的材料计算，用于安全的大数据共享 | 北京科技大学；南洋理工大学 | 纳特。交流。 | 2024年 | [发布] [代码] |
| 通过联合分割学习将边缘智能引入智能电表 | 香港大学 | 纳特。交流。 | 2024年 | [发布] [新闻] |
| 一项国际研究提出了针对儿科脑肿瘤的联邦学习人工智能平台 | 斯坦福大学 | 纳特。交流。 | 2024年 | [发布] [代码] |
| PPML-Omics：一种保护隐私的联合机器学习方法，保护患者在组学数据中的隐私 | 阿卜杜拉国王科技大学 | 科学进步 | 2024年 | [发布] [代码] |
| 联邦学习并不是数据伦理的灵丹妙药 | 慕尼黑工业大学；紫外线A | 纳特。马赫。情报.(评论) | 2024年 | [发布] |
| 用于识别胃癌术后复发高危患者的鲁棒联邦学习模型 | 江门市中心医院；桂林航天工业大学；桂林电子科技大学； | 纳特。交流。 | 2024年 | [发布] [代码] |
| 没有好老师的选择性知识共享以保护隐私的联合蒸馏 | 香港科技大学 | 纳特。交流。 | 2024年 | [发布] [PDF] [代码] |
| 欧洲精准肿瘤学联合学习系统：DigiONE | IQVIA 癌症研究 BV | 纳特。医学。 （评论） | 2024年 | [发布] |
| 采用 Qline 架构的多客户端分布式盲量子计算 | 罗马第一大学 | 纳特。交流。 | 2023年 | [发布] [PDF] |
| 设备无关的量子随机性——增强型零知识证明 | 中国科学技术大学 | 美国国家科学院院刊 | 2023年 | [PUB] [PDF] [新闻] |
| 通过联合机器学习对退役电池进行协作且保护隐私的分类，以实现有利可图的直接回收 | 清华大学 | 纳特。交流。 | 2023年 | [发布] |
| 倡导神经数据隐私和神经技术监管 | 哥伦比亚大学 | 纳特。协议。 （看法） | 2023年 | [发布] |
| 使用 MedPerf 进行医疗人工智能联合基准测试 | IHU 斯特拉斯堡；斯特拉斯堡大学；达纳法伯癌症研究所；威尔康奈尔医学；哈佛大学陈曾熙公共卫生学院；麻省理工学院；英特尔 | 纳特。马赫。英特尔。 | 2023年 | [发布] [PDF] [代码] |
| 医学和医疗保健人工智能的算法公平性 | 哈佛医学院；哈佛大学布罗德研究所和麻省理工学院；丹娜法伯癌症研究所 | 纳特。生物医学。工程师。 （看法） | 2023年 | [发布] [PDF] |
| 联邦学习的差异化私有知识转移 | 周四 | 纳特。交流。 | 2023年 | [发布] [代码] |
| 通过代理模型共享进行去中心化联邦学习 | 第 6 层人工智能；滑铁卢大学；矢量研究所 | 纳特。交流。 | 2023年 | [发布] [PDF] [代码] |
| 数据保护合规研究中的联合机器学习 | 汉堡大学 | 纳特。马赫。情报.(评论) | 2023年 | [发布] |
| 联合学习预测三阴性乳腺癌新辅助化疗的组织学反应 | 欧金 | 纳特。医学。 | 2023年 | [发布] [代码] |
| 联邦学习使大数据能够用于罕见癌症边界检测 | 宾夕法尼亚大学 | 纳特。交流。 | 2022年 | [发布] [PDF] [代码] |
| 联邦学习和本土基因组数据主权 | 抱脸 | 纳特。马赫。英特尔。 （评论） | 2022年 | [发布] |
| 用于无监督大脑异常检测的联合解缠表示学习 | 慕尼黑工业大学 | 纳特。马赫。英特尔。 | 2022年 | [发布] [PDF] [代码] |
| 将医疗保健机器学习从开发转变为部署，从模型转变为数据 | 斯坦福大学；绿石生物科学公司 | 纳特。生物医学。工程师。 （评论文章） | 2022年 | [发布] |
| 用于隐私保护个性化的联合图神经网络框架 | 周四 | 纳特。交流。 | 2022年 | [PUB] [代码] [解读] |
| 通过知识蒸馏实现高效沟通的联邦学习 | 周四 | 纳特。交流。 | 2022年 | [发布] [PDF] [代码] |
| 领导无线边缘人工智能的联合神经形态学习 | 厦门大学；南洋理工大学 | 纳特。交流。 | 2022年 | [PUB] [代码] [解读] |
| 一种新颖的去中心化联合学习方法，用于训练全球分布的、质量较差且受保护的私人医疗数据 | 卧龙岗大学 | 科学。代表。 | 2022年 | [发布] |
| 通过人工智能中的隐私保护协作推进 COVID-19 诊断 | 华中科技大学 | 纳特。马赫。英特尔。 | 2021年 | [发布] [PDF] [代码] |
| 用于预测 COVID-19 患者临床结果的联合学习 | MGH 放射学和哈佛医学院 | 纳特。医学。 | 2021年 | [发布] [代码] |
| 隐私保护协作机器学习中的对抗性干扰及其缓解措施 | 伦敦帝国理工学院；慕尼黑工业大学；开放式采矿 | 纳特。马赫。智力（透视） | 2021年 | [发布] |
| 用于分散且保密的临床机器学习的群体学习 | 地平线；波恩大学； | 自然 ？ | 2021年 | [PUB] [代码] [软件] [解读] |
| 多机构医学成像的端到端隐私保护深度学习 | 慕尼黑工业大学；伦敦帝国理工学院；开放式采矿 | 纳特。马赫。英特尔。 | 2021年 | [PUB] [代码] [解读] |
| 高效沟通的联邦学习 | 香港中文大学；普林斯顿大学 | 潘斯。 | 2021年 | [发布] [代码] |
| 使用合成放射线照片打破医疗数据共享界限 | 亚琛工业大学 | 科学。进步。 | 2020年 | [发布] [代码] |
| 医学成像中的安全、隐私保护和联合机器学习 | 慕尼黑工业大学；伦敦帝国理工学院；开放式采矿 | 纳特。马赫。智力（透视） | 2020年 | [发布] |
联邦学习论文被顶级AI（人工智能）会议和期刊接收，包括IJCAI（国际人工智能联合会议）、AAAI（AAAI人工智能会议）、AISTATS（人工智能与统计）、ALT（国际算法学习会议）理论），AI（人工智能）。
| 标题 | 联系 | 场地 | 年 | 材料 |
|---|---|---|---|---|
| 通过张量分解的联合多视图聚类 | IJCAI | 2024年 | [发布] | |
| 具有集成矩阵分解和 K 均值的高效联合多视图聚类 | IJCAI | 2024年 | [发布] | |
| LG-FGAD：一种有效的联合图异常检测框架 | IJCAI | 2024年 | [发布] | |
| 设备上天气基础模型的联合快速学习 | IJCAI | 2024年 | [发布] | |
| 打破系统异构性的障碍：通过知识蒸馏实现落后者容忍的多模态联合学习 | IJCAI | 2024年 | [发布] | |
| 学习中忘却：一种高效的联合机器忘却方法 | IJCAI | 2024年 | [发布] | |
| 联邦学习系统的实用混合梯度压缩 | IJCAI | 2024年 | [发布] | |
| 通过自适应变量空间选择实现样本质量异质性感知联合因果发现 | IJCAI | 2024年 | [发布] [代码] | |
| 特征规范正则化联合学习：利用数据差异来提高模型性能 | IJCAI | 2024年 | [发布] [代码] | |
| 基于狄利克雷的不确定性量化，用于具有改进后网络的个性化联邦学习 | IJCAI | 2024年 | [发布] | |
| FedConPE：具有异构客户端的高效联合会话强盗 | IJCAI | 2024年 | [发布] | |
| DarkFed：联邦学习中的无数据后门攻击 | IJCAI | 2024年 | [发布] | |
| 通过隔离和编码分片实现可扩展的联合遗忘 | IJCAI | 2024年 | [发布] | |
| 通过联合隐私保护学习增强双目标跨域推荐 | IJCAI | 2024年 | [发布] | |
| 垂直联邦学习中的标签泄漏：调查 | IJCAI | 2024年 | [发布] | |
| 联邦智能的兴起：从联邦基础模型到集体智能 | IJCAI | 2024年 | [发布] | |
| LEAP：通过联盟形成博弈对非独立同分布数据进行优化分层联邦学习 | IJCAI | 2024年 | [发布] | |
| EAB-FL：联邦学习中的模型中毒攻击加剧了算法偏差 | IJCAI | 2024年 | [发布] | |
| 联邦学习中的知识蒸馏：实用指南 | IJCAI | 2024年 | [发布] | |
| FedGCS：通过基于梯度的优化在联邦学习中高效客户端选择的生成框架 | IJCAI | 2024年 | [发布] | |
| FedPFT：基础模型的联邦代理微调 | IJCAI | 2024年 | [发布] [代码] | |
| 联邦半监督学习的系统综述 | IJCAI | 2024年 | [发布] | |
| 基于拍卖的联邦学习的智能代理：一项调查 | IJCAI | 2024年 | [发布] | |
| 基于拍卖的联合学习中数据消费者的无偏差收入最大化竞价策略 | IJCAI | 2024年 | [发布] | |
| 基于双重校准的个性化联邦学习 | IJCAI | 2024年 | [发布] | |
| 基于拍卖的联邦学习的面向利益相关者的决策支持 | IJCAI | 2024年 | [发布] | |
| 重新定义贡献：Shapley 驱动的联邦学习 | IJCAI | 2024年 | [发布] [代码] | |
| 基础模型训练的高效联邦学习方法综述 | IJCAI | 2024年 | [发布] | |
| 从优化到泛化：通过客户端间锐度匹配来对抗质量转变的公平联合学习 | IJCAI | 2024年 | [发布] [代码] | |
| FBLG：一种基于局部图的联邦学习中处理双偏非独立同分布数据的方法 | IJCAI | 2024年 | [发布] | |
| FedFa：联邦学习的完全异步训练范式 | IJCAI | 2024年 | [发布] | |
| FedSSA：基于语义相似性的高效模型聚合——异构个性化联邦学习 | IJCAI | 2024年 | [发布] | |
| FedES：联合提前停止以阻碍记忆异构标签噪声 | IJCAI | 2024年 | [发布] | |
| 跨城市交通预测的个性化联邦学习 | IJCAI | 2024年 | [发布] | |
| 基于基础模型的推荐的联合适应 | IJCAI | 2024年 | [发布] | |
| BADFSS：联邦自监督学习的后门攻击 | IJCAI | 2024年 | [发布] | |
| 去偏之前估计：在联邦半监督学习中去除先验偏差的贝叶斯方法 | IJCAI | 2024年 | [发布] [代码] | |
| FedTAD：子图联邦学习的拓扑感知无数据知识蒸馏 | IJCAI | 2024年 | [发布] | |
| BOBA：具有标签偏度的拜占庭式鲁棒联邦学习 | 伊利诺伊大学香槟分校 | 澳大利亚统计局 | 2024年 | [发布] [PDF] [代码] |
| 与异构客户端联合的线性上下文强盗 | 弗吉尼亚大学 | 澳大利亚统计局 | 2024年 | [发布] [PDF] [代码] |
| 分布式差分隐私下的联邦实验设计 | 斯坦福大学；元 | 澳大利亚统计局 | 2024年 | [发布] [PDF] [代码] |
| 通过分布式 SGD 和通信压缩摆脱异构联邦学习中的鞍点 | 普林斯顿大学 | 澳大利亚统计局 | 2024年 | [发布] [PDF] |
| 图上的异步 SGD：异步去中心化和联合优化的统一框架 | 意大利国家工业协会 | 澳大利亚统计局 | 2024年 | [发布] [PDF] |
| SIFU：顺序知情联邦遗忘，用于在联邦优化中实现高效且可证明的客户端遗忘 | 意大利国家工业协会 | 澳大利亚统计局 | 2024年 | [发布] [PDF] [代码] |
| 联邦学习的精确误差分布压缩 | 巴黎综合理工学院 | 澳大利亚统计局 | 2024年 | [发布] [PDF] [代码] |
| 具有较低复杂性的自适应联合极小极大优化 | 南京大学；工信部模式分析与机器智能重点实验室 | 澳大利亚统计局 | 2024年 | [发布] [PDF] |
| 通过辅助信息实现联邦学习中的自适应压缩 | 斯坦福大学；帕多瓦大学 | 澳大利亚统计局 | 2024年 | [发布] [PDF] [代码] |
| 针对任意目标类别分布的按需联合学习 | 联合科学技术研究所 | 澳大利亚统计局 | 2024年 | [发布] [代码] |
| FedFisher：利用 Fisher 信息进行一次性联邦学习 | 卡耐基梅隆大学 | 澳大利亚统计局 | 2024年 | [发布] [PDF] [代码] |
| 异步联邦学习的排队动态 | 华为 | 澳大利亚统计局 | 2024年 | [发布] [PDF] |
| 个性化联邦X武装强盗 | 普渡大学 | 澳大利亚统计局 | 2024年 | [发布] [PDF] [代码] |
| 利用增强时间图注意力网络进行异构电子健康记录的联邦学习 | 牛津大学 | 澳大利亚统计局 | 2024年 | [发布] [代码] |
| 联合极小极大优化的随机平滑梯度下降上升 | 弗吉尼亚大学 | 澳大利亚统计局 | 2024年 | [发布] [PDF] |
| 通过稳定性理解联邦学习的泛化：异构性很重要 | 西北大学 | 澳大利亚统计局 | 2024年 | [发布] [PDF] [代码] |
| 隐私敏感领域中联邦学习可证明的互惠互利 | 索非亚大学 | 澳大利亚统计局 | 2024年 | [发布] [PDF] [代码] |
| 联邦大语言模型中的隐私泄露分析 | 佛罗里达大学 | 澳大利亚统计局 | 2024年 | [发布] [PDF] [代码] |
| 用于防御联合后门攻击的不变聚合器 | 伊利诺伊大学香槟分校 | 澳大利亚统计局 | 2024年 | [发布] [PDF] [代码] |
| 具有数据和客户端异构性的高效通信联邦学习 | 伊斯塔 | 澳大利亚统计局 | 2024年 | [发布] [PDF] [代码] |
| FedMut：通过随机变异进行广义联合学习 | 南洋理工大学 | AAAI | 2024年 | [发布] |
| 具有局部自适应增强和正则化的联合部分标签学习 | 卡尔顿大学 | AAAI | 2024年 | [发布] [页面] |
| 没有偏见！用于个性化推荐的公平联合图神经网络 | 个人所得税 | AAAI | 2024年 | [发布] [页面] [PDF] [代码] |
| 形式逻辑通过属性推理实现个性化联合学习 | 范德比尔特大学 | AAAI | 2024年 | [发布] [PDF] |
| 用于对抗属性推断攻击的联邦学习的任务无关的隐私保护表示学习 | 伊利诺伊理工学院 | AAAI | 2024年 | [发布] [页面] [PDF] [代码] |
| FairTrade：在联邦学习中实现平衡准确性和公平性之间的帕累托最优权衡 | 莱布尼茨大学 | AAAI | 2024年 | [发布] [页面] |
| 使用双调节器对抗联邦半监督学习中的数据不平衡 | 香港科技大学 | AAAI | 2024年 | [发布] [页面] [PDF] |
| Fed-QSSL：位宽和数据异构下的个性化联邦学习框架 | UT | AAAI | 2024年 | [发布] [页面] [PDF] |
| 解开模态任务不可知联邦学习的不对称知识转移 | 弗吉尼亚大学 | AAAI | 2024年 | [发布] |
| FedDAT：多模态异构联邦学习中的基础模型微调方法 | 慕尼黑大学西门子股份公司 | AAAI | 2024年 | [发布] [页面] [PDF] [代码] |
| 小心你的头：组装投影头以保存联合模型的可靠性 | 西安交通大学陕西省人工智能联合重点实验室 | AAAI | 2024年 | [发布] [页面] [PDF] |
| FedGCR：通过组定制和重新加权实现具有不同客户端类型的联邦学习的性能和公平性 | 南洋理工大学 | AAAI | 2024年 | [发布] [页面] [代码] |
| 用于个性化脑肿瘤分割的联合模态特定编码器和多模态锚 | 厦门大学 | AAAI | 2024年 | [发布] [页面] [PDF] [代码] |
| 通过模型串联利用联邦学习中的标签偏差 | 新加坡国立大学 | AAAI | 2024年 | [发布] [页面] [PDF] [代码] |
| 垂直联邦学习中鲁棒和隐私保护模型的补充知识蒸馏 | SUST；香港科技大学 | AAAI | 2024年 | [发布] [页面] |
| 通过输入输出协作蒸馏进行联邦学习 | 布法罗大学；美国哈佛医学院 | AAAI | 2024年 | [发布] [页面] [PDF] [代码] |
| 在预测空间中使用贝叶斯推理校准一轮联邦学习 | 滑铁卢大学矢量研究所 | AAAI | 2024年 | [发布] [页面] [PDF] [代码] |
| FedCSL：一种可扩展且准确的联合因果结构学习方法 | 高频UT | AAAI | 2024年 | [发布] [PDF] |
| FedFixer：减轻联邦学习中的异构标签噪声 | 西安交通大学；莱顿大学 | AAAI | 2024年 | [发布] [页面] [PDF] |
| FedLPS：具有本地参数共享的多任务异构联合学习 | 南京大学 | AAAI | 2024年 | [发布] [页面] [PDF] [代码] |
| 可证明收敛的联合三级学习 | 天津大学 | AAAI | 2024年 | [发布] [PDF] |
| 表演性联合学习：模型相关和异构分布变化的解决方案 | 密歇根大学 | AAAI | 2024年 | [发布] [页面] |
| General Commerce Intelligence：基于 NLP 的全球联合引擎，用于多商家的隐私保护和可持续个性化服务 | 庆熙大学； Harex信息技术 | AAAI | 2024年 | [发布] [页面] |
| EMGAN：分离联邦学习中提取服务器端模型的 Early-Mix-GAN | 索尼人工智能 | AAAI | 2024年 | [发布] [页面] [代码] |
| FedDiv：带有噪声标签的联邦学习的协作噪声过滤 | 中山大学；香港大学 | AAAI | 2024年 | [发布] [页面] [PDF] [代码] |
| 具有联合学习功能的点变换器可根据苏木精和伊红染色的整个载玻片图像预测乳腺癌 HER2 状态 | 中国科学技术大学；中科院 | AAAI | 2024年 | [发布] [页面] [PDF] [代码] |
| FedNS：一种用于联邦学习的快速草图牛顿型算法 | 中科院 | AAAI | 2024年 | [发布] [PDF] [代码] |
| 联邦X武装强盗 | 普渡大学 | AAAI | 2024年 | [发布] [页面] [PDF] [代码] |
| 序列数据联邦学习的算法基础 | 通用汽车大学 | AAAI | 2024年 | [发布] |
| UFDA：具有实际假设的通用联合域适应 | 西安交通大学;悉尼大学 | AAAI | 2024年 | [发布] [页面] [PDF] [代码] |
| FedASMU：具有动态陈旧感知模型更新的高效异步联合学习 | 海信同花顺信息网络有限公司 | AAAI | 2024年 | [发布] [页面] [PDF] |
| 用于联合多标签分类的语言引导转换器 | 南洋理工大学 | AAAI | 2024年 | [发布] [页面] [PDF] [代码] |
| FedCD：通过双教师实现具有班级意识平衡的联邦半监督学习 | 深圳大学 | AAAI | 2024年 | [发布] [页面] [代码] |
| 超越传统威胁：针对联邦学习的持续后门攻击 | 高浓铀 | AAAI | 2024年 | [发布] [页面] [代码] |
| 通过负蒸馏与极其嘈杂的客户端进行联邦学习 | 厦门大学 | AAAI | 2024年 | [发布] [页面] [PDF] [代码] |
| FedST：非独立同分布图像分割的联合风格迁移学习 | 科技大学 | AAAI | 2024年 | [PUB] [页面] [学报] [代码] |
| PPIDSG：联邦学习中使用 GAN 的隐私保护图像分发共享方案 | 中国科学技术大学 | AAAI | 2024年 | [发布] [页面] [PDF] [代码] |
| 基于隐私保护联邦学习 (PPFL) 的智慧城市认知数字孪生 (CDT) 框架 | 都柏林城市大学 | AAAI | 2024年 | [发布] |
| 混合联邦学习的原对偶算法 | 西北大学 | AAAI | 2024年 | [发布] [页面] [PDF] |
| FedLF：逐层公平联邦学习 | 香港中文大学；深圳市人工智能与机器人社会研究院 | AAAI | 2024年 | [发布] [页面] |
| 通过激励机制实现公平图联邦学习 | 浙江大学；佛得角 | AAAI | 2024年 | [发布] [页面] [PDF] [代码] |
| 实现差异化私有联邦学习的鲁棒性 | 周四 | AAAI | 2024年 | [发布] [页面] |
| 通过双向选举和个体视角抵御联邦学习中的后门攻击 | 浙江大学；华为 | AAAI | 2024年 | [发布] [页面] [PDF] [代码] |
| 整数就足够了：当垂直联邦学习遇到舍入 | 浙江大学；蚂蚁集团 | AAAI | 2024年 | [发布] [页面] |
| CLIP引导的异质性和长尾数据联邦学习 | 厦门大学 | AAAI | 2024年 | [发布] [页面] [PDF] [代码] |
| 多领域协作学习的联合自适应提示调整 | 佛得角 | AAAI | 2024年 | [发布] [页面] [PDF] [代码] |
| 多维度公平联邦学习 | 南都大学 | AAAI | 2024年 | [发布] [页面] [PDF] |
| HiFi-Gas：分层联邦学习激励机制增强Gas使用估算 | 新奥集团 | AAAI | 2024年 | [发布] |
| 论服务器动力在联邦学习中的作用 | 弗吉尼亚大学 | AAAI | 2024年 | [发布] [PDF] |
| FedCompetitors：联邦学习中与竞争参与者的和谐合作 | 北京邮电大学 | AAAI | 2024年 | [发布] [页面] [PDF] |
| z-SignFedAvg：用于联邦学习的基于随机符号的统一压缩 | 香港中文大学；中国深圳大数据研究院 | AAAI | 2024年 | [发布] [页面] [PDF] |
| 用于运输车队预测维护的数据差异和时间不可用性感知异步联合学习 | 大众汽车集团 | AAAI | 2024年 | [发布] [页面] |
| 领域转移下具有可推广原型的联合图学习 | 武汉大学 | AAAI | 2024年 | [发布] [页面] |
| TurboSVM-FL：通过 SVM 聚合促进惰性客户端的联合学习 | 慕尼黑工业大学 | AAAI | 2024年 | [发布] [页面] [PDF] [代码] |
| 联合域泛化的多源协作梯度差异最小化 | 天津大学 | AAAI | 2024年 | [发布] [PDF] [代码] |
| 联邦学习中隐藏敏感样本以防止梯度泄漏 | 莫纳什大学 | AAAI | 2024年 | [发布] [页面] [PDF] [代码] |
| FedA3I：针对异构注释噪声的联合医学图像分割的注释质量感知聚合 | 华中科技大学 | AAAI | 2024年 | [发布] [页面] [PDF] [代码] |
| 具有可解释自适应优化的联合因果关系学习 | 南都大学 | AAAI | 2024年 | [发布] [页面] [PDF] |
| 具有异步通信和异构用户的联合上下文级联强盗 | 中国科学技术大学 | AAAI | 2024年 | [发布] [页面] [PDF] |
| 使用预训练扩散模型探索一次性半监督联邦学习 | 佛得角 | AAAI | 2024年 | [发布] [PDF] |
| 人员重新识别中联合域泛化的多样性-真实性共同约束样式化 | 厦门大学；特伦托大学 | AAAI | 2024年 | [发布] [页面] |
| PerFedRLNAS：一对一的个性化联合神经架构搜索 | 多伦多大学 | AAAI | 2024年 | [发布] [页面] |
| 具有前瞻性动量聚合和细粒度校正的高效异步联邦学习 | 北京邮电大学 | AAAI | 2024年 | [发布] [页面] |
| 对联合学习自适应比特率算法的对抗性攻击 | 香港大学 | AAAI | 2024年 | [发布] |
| FedTGP：针对联邦学习中数据和模型异质性的自适应裕度增强对比学习的可训练全局原型 | 上海交通大学 | AAAI | 2024年 | [发布] [页面] [PDF] [代码] |
| LR-XFL：基于逻辑推理的可解释联邦学习 | 南洋理工大学 | AAAI | 2024年 | [PUB] [PDF] [代码] |
| 拜占庭鲁棒联邦学习的 Huber 损失最小化方法 | 之江实验室 | AAAI | 2024年 | [发布] [页面] [PDF] |
| 用于个性化联邦学习的知识感知参数指导 | 东北大学 | AAAI | 2024年 | [发布] [页面] |
| 具有局部多样性产品正则化的联合标签噪声学习 | 上海交通大学 | AAAI | 2024年 | [发布] [页面] [补充] |
| 联邦学习中的自适应加权聚合（学生摘要） | 英属哥伦比亚大学 | AAAI | 2024年 | [发布] |
| 联邦学习中通过紧凑模型进行知识转移（学生摘要） | 悉尼大学 | AAAI | 2024年 | [发布] [页面] |
| PICSR：用于联邦学习的基于原型的跨孤岛路由器（学生摘要） | 俄亥俄州立大学 Auton 实验室，CMU | AAAI | 2024年 | [发布] [页面] |
| 用于联合项目推荐的隐私保护图卷积网络 | 深圳大学 | 人工智能 | 2023年 | [发布] |
| 双赢：双目标跨域推荐的隐私保护联合框架 | CAS；中国科学院大学；京东科技；京东智慧城市研究 | AAAI | 2023年 | [发布] |
| 通过有毒项目嵌入和防御对联合推荐系统进行无目标攻击 | 中国科学技术大学；认知智能国家重点实验室 | AAAI | 2023年 | [发布] [PDF] [代码] |
| 激励推动的联合众包 | 南都大学 | AAAI | 2023年 | [发布] [PDF] |
| 使用类原型解决联邦学习中的数据异构性 | 理海大学 | AAAI | 2023年 | [发布] [PDF] [代码] |
| FairFed：在联邦学习中实现群体公平 | 南加州大学 | AAAI | 2023年 | [PUB] [PDF] [解读] |
| 联邦鲁棒性传播：在异构联邦学习中共享对抗鲁棒性 | 密歇根州立大学 | AAAI | 2023年 | [发布] |
| 补充稀疏化：联邦学习的低开销模型剪枝 | 新泽西理工学院 | AAAI | 2023年 | [发布] |
| 联合最佳手臂识别中几乎免费的通信 | 新加坡国立大学 | AAAI | 2023年 | [发布] [PDF] |
| 用于可扩展联邦学习的逐层自适应模型聚合 | 南加州大学 仁荷大学 | AAAI | 2023年 | [发布] [PDF] |
| Cerberus 中毒：针对联邦学习的隐秘且共谋的后门攻击 | 北京交通大学 | AAAI | 2023年 | [发布] |
| FedMDFG：具有多梯度下降和公平指导的联邦学习 | 香港中文大学；深圳市人工智能与机器人社会研究院 | AAAI | 2023年 | [发布] |
| 确保安全聚合：减轻联邦学习中的多轮隐私泄露 | 南加州大学 | AAAI | 2023年 | [PUB] [PDF] [视频] [代码] |
| 通过结构知识共享对非独立同分布图进行联邦学习 | 悉尼科技大学 | AAAI | 2023年 | [发布] [PDF] [代码] |
| 通过客户端数据子空间之间的主角进行集群联邦学习中的高效分布相似性识别 | 加州大学圣地亚哥分校 | AAAI | 2023年 | [发布] [PDF] [代码] |
| FedABC：以个性化联邦学习的公平竞争为目标 | 武汉大学；湖北珞珈实验室；京东探索学院 | AAAI | 2023年 | [发布] [PDF] |
| 超越 ADMM：统一的客户端方差减少自适应联邦学习框架 | 科学技术发展局 | AAAI | 2023年 | [发布] [PDF] |
| FedGS：具有任意客户端可用性的基于联合图的采样 | 厦门大学 | AAAI | 2023年 | [发布] [PDF] [代码] |
| 更快的自适应联合学习 | 匹兹堡大学 | AAAI | 2023年 | [发布] [PDF] |
| FedNP：通过联邦神经传播实现非独立同分布联邦学习 | 香港科技大学 | AAAI | 2023年 | [PUB] [代码] [视频] [SUPP] |
| 完成全信息的贝叶斯联合神经匹配 | 天津大学 | AAAI | 2023年 | [发布] [PDF] |
| CDMA：一种针对一般极小极大问题的实用跨设备联合学习算法 | 浙江大学 | AAAI | 2023年 | [发布] [PDF] [代码] |
| 物联网中多源异构数据的联合生成模型 | 甘肃大学 | AAAI | 2023年 | [发布] |
| DeFL：通过关键学习周期意识防御联邦学习中的模型中毒攻击 | 纽约州立大学宾汉姆顿分校 | AAAI | 2023年 | [发布] |
| FedALA：个性化联合学习的自适应本地聚合 | 上海交通大学 | AAAI | 2023年 | [发布] [PDF] [代码] |
| 深入研究联邦学习的对抗鲁棒性 | 浙江大学 | AAAI | 2023年 | [发布] [PDF] |
| 联邦学习后门防御的脆弱性 | 天津大学 | AAAI | 2023年 | [发布] [PDF] [代码] |
| 邻居的回声：使用 Shuffle 模型实现个性化私人联邦学习的隐私放大 | 中国人民大学；数据库与BI教育部工程研究中心 | AAAI | 2023年 | [发布] [PDF] |
| DPAUC：联邦学习中的差分私有 AUC 计算 | 字节跳动公司 | AAAI 特别曲目 | 2023年 | [发布] [PDF] [代码] |
| 通过联合机会性块丢失有效训练大规模工业故障诊断模型 | 南洋理工大学 | AAAI 特别计划 | 2023年 | [发布] [PDF] |
| 用于药物发现的行业规模协调联合学习 | 鲁汶大学 | AAAI 特别计划 | 2023年 | [发布] [PDF] [视频] |
| 用于自动驾驶汽车模拟的联邦学习监控工具（学生摘要） | 中央大学 | AAAI 特别计划 | 2023年 | [发布] |
| MGIA：多模态联邦学习中的相互梯度反转攻击（学生摘要） | 理大 | AAAI 特别计划 | 2023年 | [发布] |
| 异构数据的集群联邦学习（学生摘要） | 中国人民大学 | AAAI 特别计划 | 2023年 | [发布] |
| FedSampling：更好的联邦学习采样策略 | 周四 | IJCAI | 2023年 | [发布] [PDF] [代码] |
| HyperFed：联合学习中非独立同分布数据的双曲原型探索和一致聚合 | 浙江大学 | IJCAI | 2023年 | [发布] [PDF] |
| FedOBD：通过联邦学习有效训练大规模神经网络的机会块退出 | 南洋理工大学 | IJCAI | 2023年 | [发布] [PDF] [代码] |
| 用于保护隐私的多域推荐的联合概率偏好分布建模与紧凑性共聚类 | 浙江大学 | IJCAI | 2023年 | [发布] |
| 联合图语义和结构学习 | 武汉大学 | IJCAI | 2023年 | [发布] |
| BARA：跨孤岛联邦学习中在线奖励预算分配的高效激励机制 | 中山大学 | IJCAI | 2023年 | [发布] [PDF] |
| FedDWA：具有动态权重调整的个性化联邦学习 | 中山大学 | IJCAI | 2023年 | [发布] [PDF] |
| FedPass：具有自适应混淆的隐私保护垂直联合深度学习 | 微众银行 | IJCAI | 2023年 | [发布] [PDF] |
| 非独立同分布图的全局一致联合图自动编码器 | 福州大学 | IJCAI | 2023年 | [发布] [代码] |
| 基于拍卖的联邦学习的竞争合作多智能体强化学习 | 南洋理工大学 | IJCAI | 2023年 | [发布] |
| 联合推荐的双重个性化 | 吉林大学；悉尼科技大学 | IJCAI | 2023年 | [发布] [PDF] [代码] |
| FedNoRo：通过解决类不平衡和标签噪声异质性实现抗噪声联邦学习 | 华中科技大学 | IJCAI | 2023年 | [发布] [PDF] [代码] |
| 拒绝服务或细粒度控制：针对联邦学习的灵活模型中毒攻击 | 湘潭大学 | IJCAI | 2023年 | [发布] [PDF] [代码] |
| FedHGN：异构图神经网络的联合框架 | 香港中文大学 | IJCAI | 2023年 | [发布] [PDF] [代码] |
| FedET：基于Enhanced Transformer的高效通信联邦类增量学习框架 | 平安科技；周四 | IJCAI | 2023年 | [发布] [PDF] |
| 天气预报的快速联合学习：迈向气象数据的基础模型 | 悉尼科技大学 | IJCAI | 2023年 | [发布] [PDF] [代码] |
| FedBFPT：一种用于 Bert 进一步预训练的高效联邦学习框架 | 浙江大学 | IJCAI | 2023年 | [发布] [代码] |
| 贝叶斯联邦学习：调查 | IJCAI 调查轨迹 | 2023年 | [PDF] | |
| 联邦学习中的联邦评估综述 | 麦考瑞大学 | IJCAI 调查轨迹 | 2023年 | [发布] [PDF] |
| SAMBA：安全联合多臂强盗的通用框架（扩展摘要） | INSA 卢瓦尔河谷中心 | IJCAI 期刊轨道 | 2023年 | [发布] |
| 联合频率估计中的安全和隐私通信成本 | 斯坦福大学 | 澳大利亚统计局 | 2023年 | [发布] [代码] |
| 通过异步分布式 Dropout 实现高效、轻量级的联邦学习 | 莱斯大学 | 澳大利亚统计局 | 2023年 | [发布] [代码] |
| 分布式概念漂移下的联邦学习 | 卡耐基梅隆大学 | 澳大利亚统计局 | 2023年 | [发布] [代码] |
| 联邦学习中内部规避攻击的特征 | 卡耐基梅隆大学 | 澳大利亚统计局 | 2023年 | [发布] [代码] |
| 联邦渐进：比较联邦学习算法的模型 | 斯坦福大学 | 澳大利亚统计局 | 2023年 | [发布] [代码] |
| 没有可信服务器的私有非凸联合学习 | 南加州大学 | 澳大利亚统计局 | 2023年 | [发布] [代码] |
| 数据流联邦学习 | 蔚蓝海岸大学 | 澳大利亚统计局 | 2023年 | [发布] [代码] |
| 除了遗憾什么也没有——保护隐私的联合因果发现 | 亥姆霍兹信息安全中心 | 澳大利亚统计局 | 2023年 | [发布] [代码] |
| 联邦学习中本地差分隐私下的主动成员推理攻击 | UFL | 澳大利亚统计局 | 2023年 | [发布] [代码] |
| 联合平均 Langevin Dynamics：走向统一理论和新算法 | CMAP | 澳大利亚统计局 | 2023年 | [发布] |
| 具有最佳统计率的拜占庭鲁棒联邦学习 | 加州大学伯克利分校 | 澳大利亚统计局 | 2023年 | [发布] [代码] |
| 通过结构知识共享对非独立同分布图进行联邦学习 | 悉尼科技大学 | AAAI | 2023年 | [PDF] [代码] |
| FedGS：具有任意客户端可用性的基于联合图的采样 | 厦门大学 | AAAI | 2023年 | [PDF] [代码] |
| 激励联合众包 | 南都大学 | AAAI | 2023年 | [PDF] |
| 理解联邦学习中存在偏见的客户端选择。 | 卡耐基梅隆大学 | 澳大利亚统计局 | 2022年 | [发布] [代码] |
| FLIX：联邦学习中本地方法的简单且通信高效的替代方案 | 阿卜杜拉国王科技大学 | 澳大利亚统计局 | 2022年 | [发布] [PDF] [代码] |
| 联合平均（本地 SGD）和连续视角的尖锐界限。 | 斯坦福大学 | 澳大利亚统计局 | 2022年 | [发布] [PDF] [代码] |
| 具有环境异质性的联合强化学习。 | 北京大学 | 澳大利亚统计局 | 2022年 | [发布] [PDF] [代码] |
| 通过一次性通信进行联合近视社区检测 | 普渡大学 | 澳大利亚统计局 | 2022年 | [发布] [PDF] |
| 联合线性强盗的异步置信上限算法。 | 弗吉尼亚大学 | 澳大利亚统计局 | 2022年 | [发布] [PDF] [代码] |
| 迈向持续优化的联合贝叶斯网络结构学习。 | 卡耐基梅隆大学 | 澳大利亚统计局 | 2022年 | [发布] [PDF] [代码] |
| 具有缓冲异步聚合的联邦学习 | 元人工智能 | 澳大利亚统计局 | 2022年 | [发布] [PDF] [视频] |
| 异构数据上的差异私有联合学习。 | 斯坦福大学 | 澳大利亚统计局 | 2022年 | [发布] [PDF] [代码] |
| SparseFed：通过稀疏化缓解联邦学习中的模型中毒攻击 | 普林斯顿 | 澳大利亚统计局 | 2022年 | [PUB] [PDF] [代码] [视频] |
| 基础很重要：更好的通信效率的联邦学习二阶方法 | 阿卜杜拉国王科技大学 | 澳大利亚统计局 | 2022年 | [发布] [PDF] |
| 联合函数梯度提升。 | 宾夕法尼亚大学 | 澳大利亚统计局 | 2022年 | [发布] [PDF] [代码] |
| QLSD：贝叶斯联邦学习的量化 Langevin 随机动力学。 | Criteo 人工智能实验室 | 澳大利亚统计局 | 2022年 | [PUB] [PDF] [代码] [视频] |
联邦环境中基于元学习的知识图知识外推kg. | 浙江大学 | IJCAI | 2022年 | [发布] [PDF] [代码] |
| 使用图进行个性化联合学习 | 悉尼科技大学 | IJCAI | 2022年 | [发布] [PDF] [代码] |
| 用于隐私保护节点分类的垂直联合图神经网络 | 浙江大学 | IJCAI | 2022年 | [发布] [PDF] |
| 适应适应：跨孤岛联邦学习的学习个性化 | IJCAI | 2022年 | [PUB] [PDF] [代码] | |
| 用于训练联邦学习中大型模型的异构集成知识转移 | IJCAI | 2022年 | [发布] [PDF] | |
| 私人半监督联邦学习。 | IJCAI | 2022年 | [发布] | |
| 基于知识蒸馏的持续联邦学习。 | IJCAI | 2022年 | [发布] | |
| 通过具有联邦特征的分类器再训练对异构长尾数据进行联邦学习 | IJCAI | 2022年 | [发布] [PDF] [代码] | |
| 用于跨个体人类活动识别的联合多任务注意 | IJCAI | 2022年 | [发布] | |
| 具有情境泛化的个性化联合学习。 | IJCAI | 2022年 | [发布] [PDF] | |
| 屏蔽联邦学习：具有自适应客户端选择的鲁棒聚合。 | IJCAI | 2022年 | [发布] [PDF] | |
| FedCG：利用条件 GAN 保护隐私并保持联邦学习的竞争表现 | IJCAI | 2022年 | [发布] [PDF] [代码] | |
| FedDUAP：使用服务器上的共享数据进行动态更新和自适应修剪的联合学习。 | IJCAI | 2022年 | [发布] [PDF] | |
走向可验证的联合学习surv. | IJCAI | 2022年 | [发布] [PDF] | |
| HarmoFL：协调异构医学图像联邦学习中的局部和全局漂移 | 香港中文大学；北航 | AAAI | 2022年 | [PUB] [PDF] [代码] [解读] |
| 带梯度校正的联邦学习人脸识别 | 北京邮电大学 | AAAI | 2022年 | [发布] [PDF] |
| SpreadGNN：分子数据图神经网络的去中心化多任务联合学习 | 南加州大学 | AAAI | 2022年 | [PUB] [PDF] [代码] [阅读] |
| SmartIdx：通过利用 CNN 结构降低联邦学习中的通信成本 | 打;聚己内酯 | AAAI | 2022年 | [发布] [代码] |
| 通过统一注意网络在认知处理信号和语言特征之间架起桥梁 | 天津大学 | AAAI | 2022年 | [发布] [PDF] |
| 抓住联邦学习的关键学习时期 | 纽约州立大学宾汉姆顿分校 | AAAI | 2022年 | [发布] [PDF] |
| 协调跨孤岛联邦学习的动力 | 匹兹堡大学 | AAAI | 2022年 | [发布] [PDF] |
| FedProto：异构设备上的联合原型学习 | 悉尼科技大学 | AAAI | 2022年 | [发布] [PDF] [代码] |
| FedSoft：具有邻近本地更新的软集群联邦学习 | 卡耐基梅隆大学 | AAAI | 2022年 | [发布] [PDF] [代码] |
| 联合动态稀疏训练：计算更少、通信更少，但学习效果更好 | 德克萨斯大学奥斯汀分校 | AAAI | 2022年 | [发布] [PDF] [代码] |
| FedFR：通用和个性化人脸识别联合优化联合框架 | 台湾大学 | AAAI | 2022年 | [发布] [PDF] [代码] |
| SplitFed：当联邦学习遇上分割学习 | 联邦科学与工业研究组织 | AAAI | 2022年 | [发布] [PDF] [代码] |
| 多作业联合学习的高效设备调度 | 苏州大学 | AAAI | 2022年 | [发布] [PDF] |
| 分布式和联邦学习中的隐式梯度对齐 | 印度理工学院坎普尔分校 | AAAI | 2022年 | [发布] [PDF] |
| 与果蝇群联合最近邻分类 | IBM 研究中心 | AAAI | 2022年 | [发布] [PDF] [代码] |
| 迭代的矢量领域和保守主义，并在联邦学习中应用。 | 谷歌 | 丙氨酸转氨酶 | 2022年 | [Pub] [PDF] |
| 通过稀疏放大隐私和自适应优化的联合学习 | IJCAI | 2021年 | [PUB] [PDF] [视频] | |
| 行为模仿分布：结合联邦学习的个人和群体行为 | IJCAI | 2021年 | [Pub] [PDF] | |
| FEDSPEECH：通过持续学习的联合文本到语音 | IJCAI | 2021年 | [Pub] [PDF] | |
| 实用的一杆联合学习，用于跨索洛设置 | IJCAI | 2021年 | [PUB] [PDF] [代码] | |
| 使用无噪声差异隐私的联合模型蒸馏 | IJCAI | 2021年 | [PUB] [PDF] [视频] | |
| LDP-FL：与当地差异隐私的联邦学习中实用的私人聚合 | IJCAI | 2021年 | [Pub] [PDF] | |
| 平均的联合学习。 | IJCAI | 2021年 | [PUB] [PDF] [代码] | |
| H-FL：用于联合学习的层次沟通效率和隐私保护的体系结构。 | IJCAI | 2021年 | [Pub] [PDF] | |
| 沟通高效且可扩展的分散联合边缘学习。 | IJCAI | 2021年 | [发布] | |
| 通过向后更新，安全的二线异步垂直联合学习 | 西迪安大学； JD Tech | AAAI | 2021年 | [PUB] [PDF] [视频] |
| FedRec ++：无损联邦建议，并具有明确的反馈 | szu | AAAI | 2021年 | [Pub] [视频] |
| 联邦多军匪徒 | 弗吉尼亚大学 | AAAI | 2021年 | [PUB] [PDF] [代码] [视频] |
| 关于联合学习的沟通高效本地SGD的融合 | 天普大学；匹兹堡大学 | AAAI | 2021年 | [Pub] [视频] |
| 火焰：在洗牌模型中差异化私人联盟学习 | 中国人民大学；京都大学 | AAAI | 2021年 | [PUB] [PDF] [视频] [代码] |
| 要了解各个客户在联合学习中的影响 | sjtu;德克萨斯大学达拉斯分校 | AAAI | 2021年 | [PUB] [PDF] [视频] |
| 可证明对恶意客户的联邦学习非常安全 | 杜克大学 | AAAI | 2021年 | [PUB] [PDF] [视频] [幻灯片] |
| 非IID数据的个性化跨核联合学习 | 西蒙·弗雷泽大学（Simon Fraser University）；麦克马斯特大学 | AAAI | 2021年 | [PUB] [PDF] [视频] [UC。] |
| 模型共享游戏：在自愿参与下分析联邦学习 | 康奈尔大学 | AAAI | 2021年 | [PUB] [PDF] [代码] [视频] |
| 诅咒还是救赎？数据异质性如何影响联合学习的鲁棒性 | 内华达大学； IBM 研究中心 | AAAI | 2021年 | [PUB] [PDF] [视频] |
| 梯度游戏：减轻联邦学习中的无关客户 | IIT孟买； IBM 研究中心 | AAAI | 2021年 | [PUB] [PDF] [CODE] [VIDEO] [SUPP] |
| 用于学习全球和个性化模型的联合块协调下降方案 | cuhk;亚利桑那州立大学 | AAAI | 2021年 | [PUB] [PDF] [视频] [代码] |
| 解决联邦学习中的班级失衡 | 西北大学 | AAAI | 2021年 | [PUB] [PDF] [VIDEO] [代码] [解读] |
| 通过强大的学习率在联邦学习中为后门辩护 | 德克萨斯大学达拉斯分校 | AAAI | 2021年 | [PUB] [PDF] [视频] [代码] |
| 联合学习中对模型汇总的自由骑手攻击 | 埃森哲实验室 | 澳大利亚统计局 | 2021年 | [PUB] [PDF] [CODE] [VIDEO] [SUPP] |
| 联合的F-differential隐私 | 宾夕法尼亚大学 | 澳大利亚统计局 | 2021年 | [PUB] [代码] [VIDEO] [SUPP] |
| 通过压缩的联合学习：统一分析和敏锐的保证 | 宾夕法尼亚州立大学；德克萨斯大学奥斯汀分校 | 澳大利亚统计局 | 2021年 | [PUB] [PDF] [CODE] [VIDEO] [SUPP] |
| 在联邦学习中取消差异隐私模型 | ucla;谷歌 | 澳大利亚统计局 | 2021年 | [Pub] [视频] [Supp] |
| 联合学习和元学习的融合和准确性权衡 | 谷歌 | 澳大利亚统计局 | 2021年 | [PUB] [PDF] [视频] [Supp] |
| 具有个性化的联合多军匪徒 | 弗吉尼亚大学；宾夕法尼亚州立大学 | 澳大利亚统计局 | 2021年 | [PUB] [PDF] [CODE] [VIDEO] [SUPP] |
| 致力于灵活的设备参与联合学习 | CMU;中山大学 | 澳大利亚统计局 | 2021年 | [PUB] [PDF] [视频] [Supp] |
| 用于欺诈信用卡检测的联合元学习 | IJCAI | 2020年 | [Pub] [视频] | |
| 用于研究联合学习激励方案的多人游戏 | IJCAI | 2020年 | [PUB] [代码] [解读] | |
| 实用的联邦梯度提升决策树 | nus;西澳大学 | AAAI | 2020年 | [PUB] [PDF] [代码] |
| 联合学习，以解决视力和语言基础问题 | pku;腾讯 | AAAI | 2020年 | [发布] |
| 联合潜在的Dirichlet分配：基于当地差异隐私的框架 | Buaa | AAAI | 2020年 | [发布] |
| 联邦患者哈希 | 康奈尔大学 | AAAI | 2020年 | [发布] |
| 通过协作机器教学的强大联盟学习 | Symantec研究实验室；阿卜杜拉国王科技大学 | AAAI | 2020年 | [Pub] [PDF] |
| FedVision：由联邦学习提供动力的在线视觉对象检测平台 | 网络 | AAAI | 2020年 | [PUB] [PDF] [代码] |
| FEDPAQ：一种具有定期平均和量化的沟通效率的联合学习方法 | 加州大学圣塔芭芭拉分校；德克萨斯大学奥斯汀分校 | 澳大利亚统计局 | 2020年 | [PUB] [PDF] [视频] [Supp] |
| 如何给联邦学习留后门 | 康奈尔科技 | 澳大利亚统计局 | 2020年 | [PUB] [PDF] [VIDEO] [CODE] [SUPP] |
| 联合重型击球手发现具有差异隐私 | rpi;谷歌 | 澳大利亚统计局 | 2020年 | [PUB] [PDF] [视频] [Supp] |
| 用于解释联合学习的多代理可视化 | 网络 | IJCAI | 2019年 | [Pub] [视频] |
由顶级ML（机器学习）会议和期刊接受的联合学习论文，包括神经（神经信息处理系统年度会议），ICML（国际机器学习国际会议），ICLR（国际学习表征会议），柯尔特（年度会议计算学习理论），UAI（人工智能中的不确定性会议），机器学习，JMLR（机器学习研究杂志），TPAMI（IEEE交易模式分析和机器智能）。
| 标题 | 联系 | 场地 | 年 | 材料 |
|---|---|---|---|---|
| 稳定和加速联邦学习在异质数据上，部分客户参与 | TPAMI | 2025年 | [发布] | |
| 与个性化和共享组件混合的医疗联合模型 | TPAMI | 2025年 | [发布] | |
| 通过合成蒸馏器 - 迪斯蒂尔的交流一杆联合学习 | 神经信息处理系统 | 2024年 | [发布] | |
| 与非均质数据紧凑的平滑亚体联合学习的非convex联合学习 | 神经信息处理系统 | 2024年 | [发布] | |
| FedGMKD：通过知识蒸馏和差异汇总的有效的原型原型联合学习框架 | 神经信息处理系统 | 2024年 | [发布] | |
| 使用模型数据互助信息正则化改善联邦学习的概括：一种后推断方法 | 神经信息处理系统 | 2024年 | [发布] | |
| 联合模型异质Matryoshka代表学习 | 神经信息处理系统 | 2024年 | [发布] | |
| 跨域建议的联合图形学习 | 神经信息处理系统 | 2024年 | [发布] | |
| FedGmark：认证用于联合图学习的强大水印 | 神经信息处理系统 | 2024年 | [发布] | |
| 联合基础模型的双个性化适配器 | 神经信息处理系统 | 2024年 | [发布] | |
| 联合自然政策梯度和演员评论家方法多任务增强学习 | 神经信息处理系统 | 2024年 | [发布] | |
| 驯服人类流动预测中的长尾 | 神经信息处理系统 | 2024年 | [发布] | |
| 双重防御：增强隐私和减轻联邦学习中的中毒攻击 | 神经信息处理系统 | 2024年 | [发布] | |
| 用于结构感知推荐的图形增强优化器嵌入进化 | 神经信息处理系统 | 2024年 | [发布] | |
| DOFIT：域意识到联合指示调整，以减轻灾难性遗忘 | 神经信息处理系统 | 2024年 | [发布] | |
| 针对异构和非静态客户端不可用性的高效联邦学习 | 神经信息处理系统 | 2024年 | [发布] | |
| 联合变压器：实用模糊链接数据的多方垂直联合学习 | 神经信息处理系统 | 2024年 | [发布] | |
| FIARSE：通过重要性感知子模型提取进行模型异构联合学习 | 神经信息处理系统 | 2024年 | [发布] | |
| 与非IID和不平衡数据的概率联合迅速调整 | 神经信息处理系统 | 2024年 | [发布] | |
| 植物群：联合的微调大型语言模型，具有异质性低级适应 | 神经信息处理系统 | 2024年 | [发布] | |
| 驯服联合原型学习中使用异质数据域学习的跨域表示方差 | 神经信息处理系统 | 2024年 | [发布] | |
| PFEDCLUB：可控的异质模型聚合，用于个性化联合学习 | 神经信息处理系统 | 2024年 | [发布] | |
| 为什么要饱满？通过部分网络更新提升联合学习 | 神经信息处理系统 | 2024年 | [发布] | |
| FUSEFL：通过渐进模型融合的因果关系的一部分学习 | 神经信息处理系统 | 2024年 | [发布] | |
| FEDSSP：具有光谱知识和个性化偏好的联合图形学习 | 神经信息处理系统 | 2024年 | [发布] | |
| 从异构特征空间中处理学习桶，并具有明确的标签开发 | 神经信息处理系统 | 2024年 | [发布] | |
| A-FEDPD：对齐双档是联合的原始偶尔学习需求 | 神经信息处理系统 | 2024年 | [发布] | |
| 联合环境中的私人和个性化频率估计 | 神经信息处理系统 | 2024年 | [发布] | |
| 联邦Q学习的样品通信复杂性权衡 | 神经信息处理系统 | 2024年 | [发布] | |
| 联合合奏指导的离线加固学习 | 神经信息处理系统 | 2024年 | [发布] | |
| 联合的黑盒适应语义分段 | 神经信息处理系统 | 2024年 | [发布] | |
| 思考：语言模型的记忆有效的联合填充 | 神经信息处理系统 | 2024年 | [发布] | |
| 来自视觉基础模型的联合学习：理论分析和方法 | 神经信息处理系统 | 2024年 | [发布] | |
| 人类偏好引起的最佳设计 | 神经信息处理系统 | 2024年 | [发布] | |
| 通过任务算术知识整合来实现各种设备的异质联邦学习 | 神经信息处理系统 | 2024年 | [发布] | |
| 通过功能分布适应的个性化联合学习 | 神经信息处理系统 | 2024年 | [发布] | |
| scafflsa：联合线性随机近似和TD学习中的异质性 | 神经信息处理系统 | 2024年 | [发布] | |
| 在异质环境中的个性化联合学习的贝叶斯方法 | 神经信息处理系统 | 2024年 | [发布] | |
| RFLPA：一个强大的联邦学习框架，以防止与安全的汇总中毒攻击 | 神经信息处理系统 | 2024年 | [发布] | |
| FedGTST：通过统计调整提高联合模型的全球可传递性 | 神经信息处理系统 | 2024年 | [发布] | |
| 建议在建议中进行意图学习的端到端学习聚类 | 神经信息处理系统 | 2024年 | [发布] | |
| 联邦快递：通过层的后验聚集的一声联合学习 | 神经信息处理系统 | 2024年 | [发布] | |
| 时间-FFM：朝着LM授权的联合基础模型预测 | 神经信息处理系统 | 2024年 | [发布] | |
| Foogd：用于分发概括和检测的联邦合作 | 神经信息处理系统 | 2024年 | [发布] | |
| 瑞士军刀，用于异质联邦学习：通过痕量标准进行灵活的耦合 | 神经信息处理系统 | 2024年 | [发布] | |
| Fedne：替代辅助联合邻居嵌入降低维度 | 神经信息处理系统 | 2024年 | [发布] | |
| 低精度的本地培训足以用于联合学习 | 神经信息处理系统 | 2024年 | [发布] | |
| 具有资源感知的联合自我监督的学习与全球班级表示 | 神经信息处理系统 | 2024年 | [发布] | |
| 关于与分散数据合作进行在线模型选择的必要性 | 神经信息处理系统 | 2024年 | [发布] | |
| 在联邦学习中推断的力量 | 神经信息处理系统 | 2024年 | [发布] | |
| （fl）$^2 $：在联邦半监督学习中克服了很少的标签 | 神经信息处理系统 | 2024年 | [发布] | |
| 关于光谱模型碎片的采样策略 | 神经信息处理系统 | 2024年 | [发布] | |
| 用实例lora自定义语言模型以进行顺序推荐 | 神经信息处理系统 | 2024年 | [发布] | |
| SPAFL：具有稀疏模型和低计算开销的沟通效率的联合学习 | 神经信息处理系统 | 2024年 | [发布] | |
| HYDRA-FL：鲁棒和准确的联合学习的混合知识蒸馏 | 神经信息处理系统 | 2024年 | [发布] | |
| 联合优化的稳定近端方法 | 神经信息处理系统 | 2024年 | [Pub] | |
| Dapperfl：域自适应联合学习，使用模型融合修剪边缘设备 | 神经信息处理系统 | 2024年 | [发布] | |
| 异质联邦学习中后门防御的参数差异 | 神经信息处理系统 | 2024年 | [发布] | |
| 表现最差的代理会导致背包吗？分析统一分布式SGD中的代理动力学 | 神经信息处理系统 | 2024年 | [Pub] | |
| FedAVP：通过联合学习中的共享政策增强本地数据 | 神经信息处理系统 | 2024年 | [Pub] | |
| COBO：通过双重优化的协作学习 | 神经信息处理系统 | 2024年 | [Pub] | |
| 在异质数据上分裂联邦学习的收敛分析 | 神经信息处理系统 | 2024年 | [Pub] | |
| 沟通效率的联合组分布在强大的优化方面 | 神经信息处理系统 | 2024年 | [Pub] | |
| 法拉利：联合特征通过优化特征灵敏度学习 | 神经信息处理系统 | 2024年 | [Pub] | |
| 联网模式的联合学习 | 神经信息处理系统 | 2024年 | [Pub] | |
| 个性化联合学习与模型的混合物，用于自适应预测和模型微调 | 神经信息处理系统 | 2024年 | [Pub] | |
| 平等公平会导致不稳定吗？在利他行为下，稳定联邦学习的公平界限 | 神经信息处理系统 | 2024年 | [Pub] | |
| 来自具有不同隐私的专家的联合在线预测：分离和遗憾加速 | 神经信息处理系统 | 2024年 | [Pub] | |
| 数据媒体：与多个特洛伊人的联合学习中的扩散模型中窃取数据 | 神经信息处理系统 | 2024年 | [发布] | |
| 联合行为平面：解释联盟学习中客户行为的演变 | 神经信息处理系统 | 2024年 | [Pub] | |
| 分层联合学习以及多时间梯度校正 | 神经信息处理系统 | 2024年 | [Pub] | |
| Hyperprism：通过非IID数据和随时间变化的通信链接的分布式机器学习的自适应非线性聚合框架 | 神经信息处理系统 | 2024年 | [Pub] | |
| 长矛：联邦学习中批处理的确切梯度反转 | 神经信息处理系统 | 2024年 | [Pub] | |
| 定期客户参与和异质数据下的联合学习：一种新的沟通算法和分析 | 神经信息处理系统 | 2024年 | [Pub] | |
| 桥接差距：异质混合视图中联合的多视图聚类 | 神经信息处理系统 | 2024年 | [Pub] | |
| 通过基于扩散的数据协调非IID数据的抗混乱的联邦学习 | 神经信息处理系统 | 2024年 | [Pub] | |
| 当地的上级汤：用于联合跨核心学习中模型合并的催化剂 | 神经信息处理系统 | 2024年 | [Pub] | |
| 跨副骑士和冲突意识到的合作组合 | 神经信息处理系统 | 2024年 | [Pub] | |
| 分布式学习的分类器聚类和特征对齐方式在分布式概念漂移下 | 神经信息处理系统 | 2024年 | [Pub] | |
| 异质性引导的客户抽样：迈向快速有效的非IID联合学习 | 神经信息处理系统 | 2024年 | [Pub] | |
| 事实或小说：真实的机制可以消除联邦自由骑行吗？ | 神经信息处理系统 | 2024年 | [Pub] | |
| 积极的偏好学习以在样本中和样本外订购项目 | 神经信息处理系统 | 2024年 | [Pub] | |
| 在异构任务和客户资源下，大型语言模型的联合微调 | 神经信息处理系统 | 2024年 | [Pub] | |
| 在联邦学习中进行微调个性化，以减轻对抗客户 | 神经信息处理系统 | 2024年 | [发布] | |
| 重新访问联合学习的一声音 | 神经信息处理系统 | 2024年 | [Pub] | |
| Fedllm Bench：大型语言模型联合学习的现实基准 | 神经信息处理系统 | 2024年 | [Pub] | |
| 美元 | 神经信息处理系统 | 2024年 | [Pub] | |
| FEDMEKI：通过联合知识注入来扩展医学基础模型的基准 | 神经信息处理系统 | 2024年 | [Pub] | |
| 异步私人联盟学习中的动量近似 | 神经研讨会 | 2024年 | [Pub] | |
| 群组挤压：跨设备联合学习中每个群组的单轮通信的超越 | 神经研讨会 | 2024年 | [Pub] | |
| 使用生成内容的联合学习 | 神经研讨会 | 2024年 | [Pub] | |
| 利用非结构化的文本数据进行联合指令调整大语言模型 | 神经研讨会 | 2024年 | [Pub] | |
| 大型语言模型的联合指导调整中的新兴安全攻击和防御 | 神经研讨会 | 2024年 | [Pub] | |
| 学习系统中竞争对手之间的无叛逃 | 神经研讨会 | 2024年 | [Pub] | |
| 关于跨异质环境联合Q学习的收敛速率 | 神经研讨会 | 2024年 | [Pub] | |
| ENCCLUSTER：在联合基础模型中带来功能加密 | 神经研讨会 | 2024年 | [Pub] | |
| 雪貂：大型语言模型的联合全参数调整 | 神经研讨会 | 2024年 | [Pub] | |
| 热插入的联邦学习 | 神经研讨会 | 2024年 | [Pub] | |
| 联合的动态低级训练，并保证全球损失融合 | 神经研讨会 | 2024年 | [Pub] | |
| 大型语言模型预训练的未来是联合的 | 神经研讨会 | 2024年 | [Pub] | |
| 与共享线性表示的协作学习：统计率和最佳算法 | 神经研讨会 | 2024年 | [发布] | |
| 突触现象：当所有基础模型都嫁给联盟学习和区块链时 | 神经研讨会 | 2024年 | [Pub] | |
| Zoopfl：探索用于个性化联合学习的黑盒基础模型 | 神经研讨会 | 2024年 | [Pub] | |
| DECOMFL：通过无维度的联合学习 | 神经研讨会 | 2024年 | [Pub] | |
| 改善联合深度学习的概括的群体连接性 | 神经研讨会 | 2024年 | [Pub] | |
| 地图：使用有限的计算与摊销的帕累托前沿合并的模型合并 | 神经研讨会 | 2024年 | [Pub] | |
| OPA：单一客户互动及其在联合学习中的应用程序私人聚合 | 神经研讨会 | 2024年 | [Pub] | |
| 通过损失探索，在联邦学习中修剪自适应混合模型 | 神经研讨会 | 2024年 | [Pub] | |
| 全球语言模型联合训练 | 神经研讨会 | 2024年 | [Pub] | |
| Fedstein：通过James-Stein估计器增强多域联合学习 | 神经研讨会 | 2024年 | [Pub] | |
| 使用有限的本地样品来增强联邦设置中的因果发现 | 神经研讨会 | 2024年 | [Pub] | |
| 美元 | 神经研讨会 | 2024年 | [发布] | |
| DMM：用于使用包装的秘密共享的分布式矩阵机制 | 神经研讨会 | 2024年 | [Pub] | |
| FEDCBO：通过基于共识的优化，在聚类联合学习中达成共识 | JMLR | 2024年 | [Pub] | |
| 有效的联合图匹配 | ICML | 2024年 | [Pub] | |
| 在不完整的客户参与的情况下，了解服务器辅助的联合学习 | ICML | 2024年 | [Pub] | |
| 超越联邦：拓扑意识的联合学习，以概括为了看不见的客户 | ICML | 2024年 | [Pub] | |
| FEDBPT：有效的联合Black-Box提示大型语言模型调整 | ICML | 2024年 | [Pub] | |
| 通过基于不确定性的不对称互惠学习，联邦学习中的桥接模型异质性 | ICML | 2024年 | [Pub] | |
| 联合优化中数据异质性的新理论观点 | ICML | 2024年 | [Pub] | |
| 增强大型模型联合多模式学习的存储和计算效率 | ICML | 2024年 | [] | |
| 胜利的动力：跨不同环境的联合联合加强学习 | ICML | 2024年 | [Pub] | |
| 拜占庭式联合学习：客户次采样和本地更新的影响 | ICML | 2024年 | [发布] | |
| 当地步骤的可证明的好处在神经网络的异构联盟学习中：特征学习观点 | ICML | 2024年 | [Pub] | |
| 通过快速分布式估计加速联盟学习 | ICML | 2024年 | [Pub] | |
| 通过比例否决核心的公平联合学习 | ICML | 2024年 | [Pub] | |
| AEGISFL：高效且灵活的隐私权拜占庭式跨阵行联合学习 | ICML | 2024年 | [Pub] | |
| 从联邦学习中的本地更新中恢复标签 | ICML | 2024年 | [Pub] | |
| FEDMBRIDGE：可桥的多模式联合学习 | ICML | 2024年 | [Pub] | |
| 在联邦及时学习中协调概括和个性化 | ICML | 2024年 | [Pub] | |
| 当地估计的全球扰动比联邦清晰度最小化的局部扰动优于局部扰动 | ICML | 2024年 | [Pub] | |
| 使用封闭形式的分类器加速异质联合学习 | ICML | 2024年 | [Pub] | |
| 联合组合多代理多军强盗 | ICML | 2024年 | [发布] | |
| 联合多级成分优化的双重递归随机成分梯度下降法 | ICML | 2024年 | [Pub] | |
| 私人异质联盟学习没有受信任的服务器的重新审视：凸损失的错误 - 最佳和沟通算法 | ICML | 2024年 | [Pub] | |
| FedRC：通过强大的聚类来应对联邦学习中的各种分配变化挑战 | ICML | 2024年 | [Pub] | |
| 通过顺序决策在联邦学习中追求整体福利 | ICML | 2024年 | [Pub] | |
| 文本前：LLMS时代的私人联邦数据培训语言模型 | ICML | 2024年 | [Pub] | |
| 拜占庭式异质性联盟学习的自驱动熵聚合 | ICML | 2024年 | [Pub] | |
| 通过合成锚来克服分散的联邦学习中的数据和模型异质性 | ICML | 2024年 | [Pub] | |
| 联合优化，并进行双重正规漂移校正 | ICML | 2024年 | [发布] | |
| FEDSC：可证明的联合联盟的自我监督学习，具有与非IID数据的光谱对比目标 | ICML | 2024年 | [Pub] | |
| 认证拜占庭式联合保形预测 | ICML | 2024年 | [Pub] | |
| 通过映射到联邦学习中的替代空间来实现无损梯度稀疏 | ICML | 2024年 | [Pub] | |
| 通过基于梯度的分区进行聚类的联合学习 | ICML | 2024年 | [Pub] | |
| 与异质客户联合学习的经常出现的早期出口 | ICML | 2024年 | [Pub] | |
| 重新考虑联合学习中的平坦的最小搜索 | ICML | 2024年 | [Pub] | |
| FEDBAT：通过可学习的二进制化沟通效率的联合学习 | ICML | 2024年 | [Pub] | |
| 参数级别的制度中的联合代表性学习 | ICML | 2024年 | [Pub] | |
| 联邦快递：通过低级模型培训通过理论保证来解决联合学习的系统异质性 | ICML | 2024年 | [Pub] | |
| 异质差异私人联盟学习的噪声吸引算法 | ICML | 2024年 | [Pub] | |
| 白银：减少单环方差和对联邦学习的应用 | ICML | 2024年 | [Pub] | |
| 带有联邦防御的标志：通过梯度标志解码来利用对抗性攻击 | ICML | 2024年 | [Pub] | |
| FedCal：通过汇总的参数缩放器在联邦学习中实现本地和全球校准 | ICML | 2024年 | [Pub] | |
| 通过迅速的双重知识转移的联合持续学习 | ICML | 2024年 | [Pub] | |
| 联合的数十亿语言模型的联合全参数调整，其通信成本低于18千字节 | ICML | 2024年 | [发布] | |
| 在联合环境中分解的次生体最大化 | ICML | 2024年 | [Pub] | |
| 私人和联邦随机凸优化：集中式系统的有效策略 | ICML | 2024年 | [Pub] | |
| 使用Dirichlet-Multinomials的混合物改进了联合数据集的建模 | ICML | 2024年 | [Pub] | |
| 来自联合学习的概括错误分析的经验教训：您的沟通可能较少！ | ICML | 2024年 | [Pub] | |
| 拜占庭的弹性和快速联合的几杆学习 | ICML | 2024年 | [Pub] | |
| 通过有因果动机的个性化联合不变学习，使用捷径不良信息理论正则化 | ICML | 2024年 | [Pub] | |
| 基于排名的客户模仿选择用于有效的联合学习 | ICML | 2024年 | [Pub] | |
| 迈向无监督的联合学习理论：联合EM算法的非质子分析 | ICML | 2024年 | [Pub] | |
| Fadas：朝着联合自适应异步优化 | ICML | 2024年 | [Pub] | |
| 联合的离线增强学习：协作单政策的覆盖范围就足够了 | ICML | 2024年 | [Pub] | |
| FedRedefense：防御模型中毒攻击，用于使用模型更新重建错误的联邦学习 | ICML | 2024年 | [Pub] | |
| MH-PFLID：模型异质性个性化联合学习通过注入和蒸馏进行医学数据分析 | ICML | 2024年 | [Pub] | |
| 联合神经符号学习 | ICML | 2024年 | [Pub] | |
| 适用于联邦共同转移学习的自适应小组个性化 | ICML | 2024年 | [Pub] | |
| 平衡联盟学习的相似性和互补性 | ICML | 2024年 | [Pub] | |
| 通过反扭转增强的联合自我解释的GNN | ICML | 2024年 | [Pub] | |
| 联合随机的多级成分最小算法，用于深度AUC最大化 | ICML | 2024年 | [Pub] | |
| COALA：一个实用且以视觉为中心的联合学习平台 | ICML | 2024年 | [Pub] | |
| 通过级联混合优化的安全和快速异步联合学习 | 马赫学习 | 2024年 | [Pub] | |
| 通过模型距离进行沟通效率的聚类联合学习 | 中国科学技术大学；认知情报的国家关键实验室 | 马赫学习 | 2024年 | [Pub] |
| 通过超品质聚合进行异质数据的联合学习。 | 谷歌研究 | 马赫学习 | 2024年 | [PUB] [PDF] [代码] |
| 对类不平衡非IID联合学习的模型输出对齐模型输出 | 南京大学 | 马赫学习 | 2024年 | [Pub] |
| 一般性线性因果网络的联合学习 | TPAMI | 2024年 | [Pub] | |
| 跨模式联邦人类活动识别 | TPAMI | 2024年 | [Pub] | |
| 联合高斯流程：收敛，自动个性化和多保真建模 | 东北大学；计量单位 | TPAMI | 2024年 | [PUB] [PDF] [代码] |
| 对抗攻击对联邦学习的影响：一项调查 | 个人所得税 | TPAMI | 2024年 | [Pub] |
| 了解和减轻联邦学习的维度崩溃 | 新加坡国立大学 | TPAMI | 2024年 | [PUB] [PDF] [代码] |
| 没有人留下：现实世界联合课堂学习学习 | CAS；中国科学院大学 | TPAMI | 2024年 | [PUB] [PDF] [代码] |
| 可概括的异质联合互相关和实例相似性学习 | 武汉大学 | TPAMI | 2024年 | [PUB] [PDF] [代码] |
| 具有自适应差异隐私的多阶段异步联合学习 | hpu;西安交通大学 | TPAMI | 2024年 | [PUB] [PDF] [代码] |
| 带有在线拉普拉斯近似的贝叶斯联合学习框架 | 南方科技大学 | TPAMI | 2024年 | [PUB] [PDF] [代码] |
| 通过数据增强联合学习并共同提升 | 中国科学技术大学；浸大 | ICLR | 2024年 | [Pub] |
| 对联邦学习的一声经验隐私估算 | 谷歌 | ICLR | 2024年 | [Pub] [PDF] |
| 通过沟通压缩的随机控制平均用于联合学习的平均 | 领英；宾夕法尼亚大学 | ICLR | 2024年 | [Pub] [PDF] |
| 一种轻巧的方法，用于解决联邦平均的未知参与统计数据 | 国际商业机器公司 | ICLR | 2024年 | [PUB] [PDF] [代码] |
| 关于联邦对比学习的共同信息的观点 | 高通 | ICLR | 2024年 | [Pub] |
| 联合域概括的基准测试算法 | 普渡大学 | ICLR | 2024年 | [PUB] [PDF] [代码] |
| 在混合数据上有效，有效的联合树学习 | 加州大学伯克利分校 | ICLR | 2024年 | [Pub] [PDF] |
| 通过添加个性化的联合建议 | 悉尼科技大学 | ICLR | 2024年 | [PUB] [PDF] [代码] |
| 通过缓存更新校准在异步联合学习中解决数据异质性 | 电源供应器 | ICLR | 2024年 | [Pub] [Supp] |
| 联合正交培训：减轻全球灾难性遗忘 | 南加州大学 | ICLR | 2024年 | [Pub] [Supp] [PDF] |
| 准确忘记了异构联邦持续学习 | 周四 | ICLR | 2024年 | [PUB] [代码] |
| 从异质数据中发现的因果关系 | 默沙东大学人工智能学院 | ICLR | 2024年 | [PUB] [PDF] [代码] |
| 在差异私人联合线性上下文匪徒上 | 韦恩州立大学 | ICLR | 2024年 | [Pub] [Supp] [PDF] |
| 激励联邦土匪的真实沟通 | 弗吉尼亚大学 | ICLR | 2024年 | [Pub] [PDF] |
| 有原则的联邦域适应：梯度投影和自动加权 | 伊利诺伊大学香槟分校 | ICLR | 2024年 | [Pub] |
| FEDP3：在模型异质性下，联邦的个性化和隐私友好的网络修剪 | 阿卜杜拉国王科技大学 | ICLR | 2024年 | [Pub] |
| 文本驱动的迅速生成联合学习中的视觉模型 | 罗伯特·博世有限责任公司 | ICLR | 2024年 | [Pub] [PDF] |
| 改善洛拉（Lora）在保护隐私方面 | 东北大学 | ICLR | 2024年 | [Pub] |
| Fedwon：胜利的多域联合学习而无需归一化学习 | 索尼人工智能 | ICLR | 2024年 | [Pub] [PDF] |
| FEDTRANS：可靠联盟学习的客户与透明的效用估算 | 代尔夫特理工大学 | ICLR | 2024年 | [Pub] |
| FEDCOMPASS：使用计算功能吸引力的调度程序在异质客户设备上有效的跨核心联合学习 | anl; uiuc;国家计算机安全协会 | ICLR | 2024年 | [PUB] [PDF] [代码] [PAGE] |
| 贝叶斯核心优化用于个性化联合学习 | IIT孟买 | ICLR | 2024年 | [Pub] |
| 层线性模式连接 | Ruhr-UniverstätBochum | ICLR | 2024年 | [PUB] [PDF] [SUPP] |
| 伪造直到它做到这一点：以共识为导向的人联合学习 | sjtu | ICLR | 2024年 | [Pub] [PDF] |
| 隐藏在视线中：伪装数据窃取联邦学习中的攻击 | Insait | ICLR | 2024年 | [Pub] [Supp] [PDF] |
| 在政策异质联邦加固学习的有限时间分析 | 哥伦比亚大学 | ICLR | 2024年 | [Pub] [PDF] |
| 与自动调整客户的自适应联合学习 | 莱斯大学 | ICLR | 2024年 | [Pub] [Supp] [PDF] |
| 通过中毒后门关键层的后门联盟学习 | ND | ICLR | 2024年 | [Pub] [Supp] [PDF] |
| 联合Q学习：线性遗憾的加速，沟通成本较低 | 电源供应器 | ICLR | 2024年 | [Pub] [Supp] [PDF] |
| FEDIMPRO：测量和改善联合学习的客户更新 | 浸大 | ICLR | 2024年 | [Pub] [PDF] |
| 联合的瓦斯坦斯坦距离 | 麻省理工学院 | ICLR | 2024年 | [Pub] [Supp] [PDF] |
| 对联邦学习中每样本和每次剪辑的改进分析 | 数据传输单元 | ICLR | 2024年 | [Pub] |
| FEDCDA：通过跨环的联合学习差异 | 南洋理工大学 | ICLR | 2024年 | [Pub] [Supp] |
| 内部跨层梯度，以扩展联盟学习中的异质性均匀性 | 香港大学 | ICLR | 2024年 | [Pub] [PDF] |
| 动量使非IID联合学习受益 | pku;宾夕法尼亚大学 | ICLR | 2024年 | [Pub] [PDF] |
| 沟通效率的联合非线性强盗优化 | 耶鲁大学 | ICLR | 2024年 | [Pub] [PDF] |
| 垂直联合学习的公平有效贡献估值 | 华为 | ICLR | 2024年 | [Pub] [Supp] [PDF] [代码] |
| 使用部分信息分解来揭开联邦学习中的本地和全球公平性权衡 | UMCP | ICLR | 2024年 | [Pub] [PDF] |
| 为异构联邦客户学习个性化因果不变的表征 | 理大 | ICLR | 2024年 | [Pub] |
| PEFLL：通过学习学习的个性化联合学习 | IST | ICLR | 2024年 | [Pub] [Supp] [PDF] |
| 分布式变异不平等的沟通效率梯度下降量化方法：统一分析和本地更新 | 约翰霍普金斯大学 | ICLR | 2024年 | [Pub] [Supp] [PDF] |
| 联邦：评估联邦学习中的隐私泄漏 | USQ | ICLR | 2024年 | [Pub] [Supp] |
| FedDA：联合约束优化的更快的自适应梯度方法 | UMCP | ICLR | 2024年 | [Pub] [Supp] [PDF] |
| 对联合模型的强大培训，具有极高的标签缺乏症 | 浸大 | ICLR | 2024年 | [PUB] [PDF] [代码] |
| 通过特征学习理论了解联合学习的收敛和概括 | 理研AIP | ICLR | 2024年 | [Pub] |
| 教LLMS进行网络钓鱼：从语言模型中窃取私人信息 | 普林斯顿大学 | ICLR | 2024年 | [Pub] |
| 像石油和水：团体鲁棒性方法和中毒防御措施不会混合 | UMCP | ICLR | 2024年 | [Pub] |
| 在各向异性梯度噪声下随机重球方法的加速收敛性 | 香港科技大学 | ICLR | 2024年 | [Pub] [PDF] |
| 消除梯度反转攻击中的硬标签约束 | 中科院 | ICLR | 2024年 | [Pub] [Supp] [PDF] [代码] |
| 局部复合马鞍点优化 | 普渡大学 | ICLR | 2024年 | [Pub] [PDF] |
| 通过相关动力学模型增强神经训练 | TIIT | ICLR | 2024年 | [Pub] [PDF] |
| Econtrol：通过压缩和误差控制的快速分布式优化 | 萨尔大学 | ICLR | 2024年 | [Pub] [Supp] [PDF] |
| 为垂直联合学习构建对抗性示例：通过多军强盗的最佳客户腐败 | 香港科技大学 | ICLR | 2024年 | [Pub] |
| FedHyper：通用且强大的学习率调度程序，用于具有超梯度下降的联邦学习 | UMCP | ICLR | 2024年 | [Pub] [Supp] [PDF] [代码] |
| 通过局部全球更新通过收敛速率混合的异质性个性化联合学习 | 香港中文大学 | ICLR | 2024年 | [Pub] |
| 打破物理和语言边界：低资源语言的多语言联合及时调整 | 剑桥大学 | ICLR | 2024年 | [Pub] |
| 简单的最小拜占庭式B byzantine稳健算法，用于具有均匀梯度异质性的非凸目标 | NTT数据数学系统公司 | ICLR | 2024年 | [Pub] |
| Vflair：垂直联合学习的研究库和基准 | 周四 | ICLR | 2024年 | [PUB] [PDF] [代码] |
| 通过培训时间模型奖励，奖励意识到的联合学习 | 新加坡国立大学 | ICLR | 2024年 | [Pub] [Supp] |
| Vertibench：垂直联合学习基准中的特征分布多样性 | 新加坡国立大学 | ICLR | 2024年 | [PUB] [PDF] [代码] |
| FedLoGe：长尾数据下的联合本地和通用联邦学习 | 浙江大学 | ICLR | 2024年 | [Pub] [Supp] [PDF] |
| Simfbo：迈向简单，灵活和沟通效率的联合双利学习 | 布法罗大学 | 神经信息处理系统 | 2023年 | [PUB] [PDF] [SUPP] |
| 协作正常平均估计的机理设计 | 威斯康星大学麦迪逊分校 | 神经信息处理系统 | 2023年 | [Pub] [PDF] |
| 强大的分布式学习：数据异质性下的严重错误界限和分解点 | 洛桑联邦理工学院 | 神经信息处理系统 | 2023年 | [PUB] [PDF] [代码] |
| 联合学习的激励措施：均衡，动力和福利最大化的机制 | 伊利诺伊大学香槟分校 | 神经信息处理系统 | 2023年 | [Pub] [Supp] |
| 在异质数据上的顺序联合学习的收敛分析 | Bupt | 神经信息处理系统 | 2023年 | [PUB] [PDF] [代码] |
| 通过建筑设计处理数据异质性，以进行联合视觉识别 | 默沙东大学人工智能学院 | 神经信息处理系统 | 2023年 | [PUB] [PDF] [代码] |
| 私人联合频率估计：适应实例的硬度 | 约翰霍普金斯大学 | 神经信息处理系统 | 2023年 | [Pub] [Supp] [PDF] |
| 零阶的方法，用于非不同的，非convex和分层联合优化 | 罗格斯大学 | 神经信息处理系统 | 2023年 | [Pub] [Supp] [PDF] |
| 激励联邦土匪的沟通 | 弗吉尼亚大学 | 神经信息处理系统 | 2023年 | [Pub] [PDF] |
| 将靶向平均治疗效果的联合估计值倍增 | 东北大学 | 神经信息处理系统 | 2023年 | [Pub] [PDF] |
| IBA：在联邦学习中进行不可逆的后门攻击 | 范德比尔特大学； Vinuniversity | 神经信息处理系统 | 2023年 | [Pub] [Supp] [代码] |
| Evofed：利用进化策略进行沟通效率的联合学习 | 韩国科学技术院 | 神经信息处理系统 | 2023年 | [Pub] [Supp] [PDF] |
| 联合的线性土匪具有有限的对抗动作 | 弗吉尼亚大学 | 神经信息处理系统 | 2023年 | [Pub] [Supp] [PDF] |
| FEDNAR：通过归一化退火正则化的联合优化 | 默沙东大学人工智能学院 | 神经信息处理系统 | 2023年 | [Pub] [Supp] [PDF] [代码] |
| 通过预训练的模型指导联邦学习的最后一层 | 康科迪亚大学 | 神经信息处理系统 | 2023年 | [Pub] [Supp] [PDF] [代码] |
| 联合零级优化的细粒理论分析 | Hzau | 神经信息处理系统 | 2023年 | [Pub] [Supp] |
| 在联邦学习中导航数据异质性：一种半监督的对象检测方法 | 韩国科学技术院 | 神经信息处理系统 | 2023年 | [Pub] [Supp] [PDF] [代码] |
| 一种无数据的方法来减轻联邦班级学习的灾难性遗忘，以实现视力任务 | 南加州大学 | 神经信息处理系统 | 2023年 | [PUB] [PDF] [代码] |
| 异质性臭名昭著吗？驯服异质性来处理联邦学习的测试时间转移 | 悉尼科技大学 | 神经信息处理系统 | 2023年 | [Pub] [Supp] |
| 一通行证草图，用于测量联邦学习中数据异质性 | 莱斯大学 | 神经信息处理系统 | 2023年 | [Pub] [Supp] [代码] |
| 锁定：通过孤立的子空间培训进行联合学习的后门防御 | Gatech | 神经信息处理系统 | 2023年 | [Pub] [Supp] [代码] |
| 联合游戏：对联邦学习中的后门攻击的游戏理论防御 | psu;伊利诺伊大学香槟分校 | 神经信息处理系统 | 2023年 | [Pub] [Supp] [代码] |
| 通过异质模型重新组装实现个性化联盟学习 | 电源供应器 | 神经信息处理系统 | 2023年 | [Pub] [Supp] [PDF] [代码] |
| 每个参数都很重要：确保联合学习与动态异质模型的收敛性 | 乔治城大学 | 神经信息处理系统 | 2023年 | [Pub] [Supp] [PDF] |
| DFRD：无数据鲁棒性蒸馏，用于异质联合学习 | 华东师范大学 | 神经信息处理系统 | 2023年 | [Pub] [Supp] [PDF] [代码] |
| 统一的解决方案，以实现垂直联合学习的隐私和沟通效率 | 西部大学 | 神经信息处理系统 | 2023年 | [Pub] [Supp] [代码] |
| 用于联邦学习的休息疫苗：主动防御模型中毒攻击 | 西迪安大学；圭尔夫大学；千二维感知技术，应用和网络安全的主要实验室 | 神经信息处理系统 | 2023年 | [Pub] [Supp] [PDF] |
| 通过双边策划的联合学习 | sjtu;上海人工智能实验室 | 神经信息处理系统 | 2023年 | [Pub] [Supp] [代码] |
| 通过客户次采样，数据异质性和无限的平滑度的联合学习：一种新算法和下限 | gmu; sjtu | 神经信息处理系统 | 2023年 | [Pub] [Supp] [代码] |
| 联邦快递：联合学习以个性化 | 剑桥大学；三星AI中心 | 神经信息处理系统 | 2023年 | [Pub] [Supp] [PDF] [代码] |
| 用于联合学习的自适应测试时间个性化 | 伊利诺伊大学香槟分校 | 神经信息处理系统 | 2023年 | [PUB] [PDF] [代码] |
| 联合条件随机优化 | 匹兹堡大学 | 神经信息处理系统 | 2023年 | [Pub] [Supp] [PDF] [代码] |
| 联合光谱聚类通过安全相似性重建 | 香港中文大学 | 神经信息处理系统 | 2023年 | [Pub] |
| 通过随机行走随机行动ADMM动员基础设施和异质环境中的个性化联合学习 | um-dearborn | 神经信息处理系统 | 2023年 | [Pub] [Supp] [PDF] |
| FEDGCN：在图形卷积网络的联合培训中的融合 - 通信权衡取舍 | 卡耐基梅隆大学 | 神经信息处理系统 | 2023年 | [Pub] [Supp] [PDF] [代码] |
| 联合多目标学习 | RIT | 神经信息处理系统 | 2023年 | [Pub] [Supp] [PDF] |
| 流体：使用不变的辍学来缓解联邦学习中的散乱者 | 不列颠哥伦比亚大学； Gatech | 神经信息处理系统 | 2023年 | [Pub] [Supp] [PDF] [代码] |
| 解决拔河战：联合学习中的沟通和学习的分离 | 匹兹堡大学 | 神经信息处理系统 | 2023年 | [Pub] [Supp] |
| 与全球和本地较低级别问题的沟通有效的联合二线优化 | 匹兹堡大学 | 神经信息处理系统 | 2023年 | [Pub] [Supp] [PDF] |
| StableFDG：针对联合领域概括的样式和基于注意力的学习 | 凯斯特；普渡大学 | 神经 | 2023年 | [Pub] [PDF] |
| 了解一致性如何通过阶段放松的初始化在联邦学习中的工作 | 悉尼大学 | 神经 | 2023年 | [Pub] [Supp] [PDF] |
| 三角洲：多样化的客户抽样，用于禁食联合学习 | cuhk;深圳人工智能与机器人学院的社会学院 | 神经 | 2023年 | [Pub] [Supp] [PDF] |
| 联合成分深度AUC最大化 | 天普大学 | 神经 | 2023年 | [Pub] [Supp] [PDF] |
| A3FL：联邦学习的对抗性自适应后门攻击 | 电源供应器 | 神经 | 2023年 | [PUB] [SUPP] [CODE] |
| Flow: Per-instance Personalized Federated Learning | 马萨诸塞大学 | NeurIPS | 2023年 | [PUB] [SUPP] [PDF] [CODE] |
| Eliminating Domain Bias for Federated Learning in Representation Space | SJTU | NeurIPS | 2023年 | [PUB] [SUPP] [PDF] [CODE] |
| Federated Learning with Manifold Regularization and Normalized Update Reaggregation | 少量 | NeurIPS | 2023年 | [PUB] [SUPP] [PDF] |
| Structured Federated Learning through Clustered Additive Modeling | 悉尼科技大学 | NeurIPS | 2023年 | [PUB] [SUPP] |
| Fed-GraB: Federated Long-tailed Learning with Self-Adjusting Gradient Balancer | ZJU;新加坡科技设计大学 | NeurIPS | 2023年 | [PUB] [SUPP] [PDF] [CODE] |
| Dynamic Personalized Federated Learning with Adaptive Differential Privacy | 武汉大学 | NeurIPS | 2023年 | [PUB] [SUPP] [CODE] |
| Fed-CO$_{2}$ : Cooperation of Online and Offline Models for Severe Data Heterogeneity in Federated Learning | 上海科技大学 | NeurIPS | 2023年 | [PUB] [SUPP] [PDF] [CODE] |
| Solving a Class of Non-Convex Minimax Optimization in Federated Learning | 匹兹堡大学 | NeurIPS | 2023年 | [PUB] [SUPP] [PDF] [CODE] |
| Federated Learning via Meta-Variational Dropout | 首尔国立大学 | NeurIPS | 2023年 | [PUB] [CODE] |
| Improved Communication Efficiency in Federated Natural Policy Gradient via ADMM-based Gradient Updates | 普渡大学 | NeurIPS | 2023年 | [PUB] [SUPP] [PDF] |
| SPACE: Single-round Participant Amalgamation for Contribution Evaluation in Federated Learning | 南洋理工大学 | NeurIPS | 2023年 | [PUB] [CODE] |
| Fed-FA: Theoretically Modeling Client Data Divergence for Federated Language Backdoor Defense | PKU;腾讯 | NeurIPS | 2023年 | [PUB] [SUPP] |
| FedFed: Feature Distillation against Data Heterogeneity in Federated Learning | BUAA;浸大 | NeurIPS | 2023年 | [PUB] [PDF] [CODE] |
| PRIOR: Personalized Prior for Reactivating the Information Overlooked in Federated Learning | 四川大学 | NeurIPS | 2023年 | [PUB] [SUPP] [PDF] [CODE] [解读] |
| Spectral Co-Distillation for Personalized Federated Learning | 科学技术发展局 | NeurIPS | 2023年 | [PUB] |
| Breaking the Communication-Privacy-Accuracy Tradeoff with | 浙江大学 | NeurIPS | 2023年 | [PUB] [SUPP] [PDF] |
| Exact Optimality of Communication-Privacy-Utility Tradeoffs in Distributed Mean Estimation | 斯坦福大学 | NeurIPS | 2023年 | [PUB] [SUPP] [PDF] [CODE] |
| (Amplified) Banded Matrix Factorization: A unified approach to private training | 谷歌深度思维 | NeurIPS | 2023年 | [PUB] [SUPP] [PDF] |
| Aggregating Capacity in FL through Successive Layer Training for Computationally-Constrained Devices | 成套工具 | NeurIPS | 2023年 | [PUB] [SUPP] [PDF] [CODE] |
| Privacy Amplification via Compression: Achieving the Optimal Privacy-Accuracy-Communication Trade-off in Distributed Mean Estimation | 斯坦福大学 | NeurIPS | 2023年 | [PUB] [SUPP] [PDF] |
| Incentivizing Honesty among Competitors in Collaborative Learning and Optimization | 苏黎世联邦理工学院 | NeurIPS | 2023年 | [PUB] [SUPP] [PDF] |
| Resilient Constrained Learning | 宾夕法尼亚大学 | NeurIPS | 2023年 | [PUB] [SUPP] [PDF] |
| A Computation and Communication Efficient Method for Distributed Nonconvex Problems in the Partial Participation Setting | 阿卜杜拉国王科技大学 | NeurIPS | 2023年 | [PUB] [SUPP] [PDF] [CODE] |
| Collaboratively Learning Linear Models with Structured Missing Data | 斯坦福大学 | NeurIPS | 2023年 | [PUB] [SUPP] [PDF] [CODE] |
| Gradient Descent with Linearly Correlated Noise: Theory and Applications to Differential Privacy | 洛桑联邦理工学院 | NeurIPS | 2023年 | [PUB] [SUPP] [PDF] |
| Fast Optimal Locally Private Mean Estimation via Random Projections | 苹果公司 | NeurIPS | 2023年 | [PUB] [SUPP] [PDF] [CODE] |
| Contextual Stochastic Bilevel Optimization | EPFL;苏黎世联邦理工学院 | NeurIPS | 2023年 | [PUB] [SUPP] [PDF] |
| Understanding Deep Gradient Leakage via Inversion Influence Functions | 密歇根州立大学； Michigan State University;德克萨斯大学奥斯汀分校 | NeurIPS | 2023年 | [PUB] [SUPP] [PDF] [CODE] |
| Inner Product-based Neural Network Similarity | 普渡大学 | NeurIPS | 2023年 | [PUB] [SUPP] |
| Correlation Aware Sparsified Mean Estimation Using Random Projection | 卡耐基梅隆大学 | NeurIPS | 2023年 | [PUB] [SUPP] [PDF] [CODE] |
| TIES-Merging: Resolving Interference When Merging Models | 北卡罗来纳大学 | NeurIPS | 2023年 | [PUB] [SUPP] [PDF] [CODE] |
| Global Update Tracking: A Decentralized Learning Algorithm for Heterogeneous Data | 普渡大学 | NeurIPS | 2023年 | [PUB] [SUPP] [PDF] [CODE] |
| Large-Scale Distributed Learning via Private On-Device LSH | UMD | NeurIPS | 2023年 | [PUB] [SUPP] [PDF] |
| Faster Relative Entropy Coding with Greedy Rejection Coding | 剑桥大学 | NeurIPS | 2023年 | [PUB] [SUPP] [PDF] [CODE] |
| Global Convergence Analysis of Local SGD for Two-layer Neural Network without Overparameterization | SJTU | NeurIPS | 2023年 | [PUB] [SUPP] |
| Momentum Provably Improves Error Feedback! | ETH AI Center;苏黎世联邦理工学院 | NeurIPS | 2023年 | [PUB] [SUPP] [PDF] |
| Strategic Data Sharing between Competitors | 索非亚大学 | NeurIPS | 2023年 | [PUB] [SUPP] [PDF] |
| H-nobs: Achieving Certified Fairness and Robustness in Distributed Learning on Heterogeneous Datasets | GMU | NeurIPS | 2023年 | [PUB] |
| Wyze Rule: Federated Rule Dataset for Rule Recommendation Benchmarking | 威兹实验室 | NeurIPS Datasets and Benchmarks | 2023年 | [PUB] [SUPP] [DATASET] |
| Towards Federated Foundation Models: Scalable Dataset Pipelines for Group-Structured Learning | Google Research | NeurIPS Datasets and Benchmarks | 2023年 | [PUB] [PDF] [DATASET] |
| Text-driven Prompt Generation for Vision-Language Models in Federated Learning | NeurIPS workshop | 2023年 | [PUB] | |
| HePCo: Data-Free Heterogeneous Prompt Consolidation for Continual Federated Learning | NeurIPS workshop | 2023年 | [PUB] | |
| Beyond Gradient and Priors in Privacy Attacks: Leveraging Pooler Layer Inputs of Language Models in Federated Learning | NeurIPS workshop | 2023年 | [PUB] | |
| FOCUS: Fairness via Agent-Awareness for Federated Learning on Heterogeneous Data | NeurIPS workshop | 2023年 | [PUB] | |
| FedSoL: Bridging Global Alignment and Local Generality in Federated Learning | NeurIPS workshop | 2023年 | [PUB] | |
| One-shot Empirical Privacy Estimation for Federated Learning | NeurIPS workshop | 2023年 | [PUB] | |
| Profit: Benchmarking Personalization and Robustness Trade-off in Federated Prompt Tuning | NeurIPS workshop | 2023年 | [PUB] | |
| SLoRA: Federated Parameter Efficient Fine-Tuning of Language Models | NeurIPS workshop | 2023年 | [PUB] | |
| The Fair Value of Data Under Heterogeneous Privacy Constraints in Federated Learning | NeurIPS workshop | 2023年 | [PUB] | |
| Towards Building the FederatedGPT: Federated Instruction Tuning | NeurIPS workshop | 2023年 | [PUB] | |
| 语音识别联合学习：回顾大规模 ASR 的当前趋势 | NeurIPS workshop | 2023年 | [PUB] | |
| LASER: Linear Compression in Wireless Distributed Optimization | NeurIPS workshop | 2023年 | [PUB] | |
| MARINA Meets Matrix Stepsizes: Variance Reduced Distributed Non-Convex Optimization | NeurIPS workshop | 2023年 | [PUB] | |
| TAMUNA: Doubly Accelerated Federated Learning with Local Training, Compression, and Partial Participation | NeurIPS workshop | 2023年 | [PUB] | |
| An Empirical Evaluation of Federated Contextual Bandit Algorithms | NeurIPS workshop | 2023年 | [PUB] | |
| RealFM: A Realistic Mechanism to Incentivize Data Contribution and Device Participation | NeurIPS workshop | 2023年 | [PUB] | |
| FDAPT: Federated Domain-adaptive Pre-training for Language Models | NeurIPS workshop | 2023年 | [PUB] | |
| Making Batch Normalization Great in Federated Deep Learning | NeurIPS workshop | 2023年 | [PUB] | |
| Correlated Noise Provably Beats Independent Noise for Differentially Private Learning | NeurIPS workshop | 2023年 | [PUB] | |
| Parameter Averaging Laws for Multitask Language Models | NeurIPS workshop | 2023年 | [PUB] | |
| Breaking Physical and Linguistic Borders: Multilingual Federated Prompt Tuning for Low-Resource Languages | NeurIPS workshop | 2023年 | [PUB] | |
| Beyond Parameter Averaging in Model Aggregation | NeurIPS workshop | 2023年 | [PUB] | |
| Augmenting Federated Learning with Pretrained Transformers | NeurIPS workshop | 2023年 | [PUB] | |
| Consensus Optimization at Representation: Improving Personalized Federated Learning via Data-Centric Regularization | NeurIPS workshop | 2023年 | [PUB] | |
| DPZero: Dimension-Independent and Differentially Private Zeroth-Order Optimization | NeurIPS workshop | 2023年 | [PUB] | |
| Leveraging Foundation Models to Improve Lightweight Clients in Federated Learning | NeurIPS workshop | 2023年 | [PUB] | |
| FedML-HE: An Efficient Homomorphic-Encryption-Based Privacy-Preserving Federated Learning System | NeurIPS workshop | 2023年 | [PUB] | |
| Learning Optimizers for Local SGD | NeurIPS workshop | 2023年 | [PUB] | |
| Exploring User-level Gradient Inversion with a Diffusion Prior | NeurIPS workshop | 2023年 | [PUB] | |
| 对大型语言模型的用户推理攻击 | NeurIPS workshop | 2023年 | [PUB] | |
| FedLDA: Personalized Federated Learning Through Collaborative Linear Discriminant Analysis | NeurIPS workshop | 2023年 | [PUB] | |
| Heterogeneous LoRA for Federated Fine-tuning of On-device Foundation Models | NeurIPS workshop | 2023年 | [PUB] | |
| 从受损的基础模型到联邦学习的后门威胁 | NeurIPS workshop | 2023年 | [PUB] | |
| MOFL/D: A Federated Multi-objective Learning Framework with Decomposition | NeurIPS workshop | 2023年 | [PUB] | |
| Absolute Variation Distance: an Inversion Attack Evaluation Metric for Federated Learning | NeurIPS workshop | 2023年 | [PUB] | |
| Fed3R: Recursive Ridge Regression for Federated Learning with strong pre-trained models | NeurIPS workshop | 2023年 | [PUB] | |
| FedFN: Feature Normalization for Alleviating Data Heterogeneity Problem in Federated Learning | NeurIPS workshop | 2023年 | [PUB] | |
| Private and Personalized Histogram Estimation in a Federated Setting | NeurIPS workshop | 2023年 | [PUB] | |
| The Aggregation–Heterogeneity Trade-off in Federated Learning | 北京大学 | 小马 | 2023年 | [PUB] |
| FLASH: Automating federated learning using CASH | 伦斯勒理工学院 | 联合人工智能 | 2023年 | [PUB] [SUPP] [MATERIAL] |
| Personalized federated domain adaptation for item-to-item recommendation | AWS AI Labs | 联合人工智能 | 2023年 | [PUB] [PDF] [SUPP] [MATERIAL] [CODE] |
| Fed-LAMB: Layer-wise and Dimension-wise Locally Adaptive Federated Learning | 百度研究 | 联合人工智能 | 2023年 | [PUB] [PDF] [SUPP] [MATERIAL] |
| Federated learning of models pre-trained on different features with consensus graphs | IBM 研究中心 | 联合人工智能 | 2023年 | [PUB] [SUPP] [MATERIAL] [CODE] |
| Fast Heterogeneous Federated Learning with Hybrid Client Selection | NWPU | 联合人工智能 | 2023年 | [PUB] [SUPP] [MATERIAL] [PDF] |
| Learning To Invert: Simple Adaptive Attacks for Gradient Inversion in Federated Learning | 康奈尔大学 | 联合人工智能 | 2023年 | [PUB] [PDF] [SUPP] [MATERIAL] [CODE] |
| Dynamic Regularized Sharpness Aware Minimization in Federated Learning: Approaching Global Consistency and Smooth Landscape | 悉尼大学 | ICML | 2023年 | [PUB] [PDF] [SLIDES] |
| Analysis of Error Feedback in Federated Non-Convex Optimization with Biased Compression: Fast Convergence and Partial Participation | 领英广告 | ICML | 2023年 | [PUB] [PDF] |
| FedHPO-Bench: A Benchmark Suite for Federated Hyperparameter Optimization | 阿里巴巴集团 | ICML | 2023年 | [PUB] [PDF] [CODE] |
| Federated Conformal Predictors for Distributed Uncertainty Quantification | 麻省理工学院 | ICML | 2023年 | [PUB] [PDF] [CODE] |
| Federated Adversarial Learning: A Framework with Convergence Analysis | UBC | ICML | 2023年 | [PUB] [PDF] |
| Federated Heavy Hitter Recovery under Linear Sketching | Google Research | ICML | 2023年 | [PUB] [PDF] [CODE] |
| Doubly Adversarial Federated Bandits | 伦敦政治经济学院 | ICML | 2023年 | [PUB] [PDF] [CODE] |
| Achieving Linear Speedup in Non-IID Federated Bilevel Learning | UC | ICML | 2023年 | [PUB] [PDF] |
| One-Shot Federated Conformal Prediction | 巴黎萨克雷大学 | ICML | 2023年 | [PUB] [PDF] [CODE] |
| Federated Online and Bandit Convex Optimization | TTIC | ICML | 2023年 | [PUB] |
| Federated Linear Contextual Bandits with User-level Differential Privacy | 宾夕法尼亚州立大学 | ICML | 2023年 | [PUB] [PDF] |
| Vertical Federated Graph Neural Network for Recommender System | 新加坡国立大学 | ICML | 2023年 | [PUB] [PDF] [CODE] |
| Communication-Efficient Federated Hypergradient Computation via Aggregated Iterative Differentiation | 布法罗大学 | ICML | 2023年 | [PUB] [PDF] |
| Towards Understanding Ensemble Distillation in Federated Learning | 韩国科学技术院 | ICML | 2023年 | [PUB] |
| Personalized Subgraph Federated Learning | 韩国科学技术院 | ICML | 2023年 | [PUB] [PDF] [CODE] |
| Conformal Prediction for Federated Uncertainty Quantification Under Label Shift | Lagrange Mathematics and Computing Research Center; CMAP | ICML | 2023年 | [PUB] [PDF] |
| Secure Federated Correlation Test and Entropy Estimation | 卡耐基梅隆大学 | ICML | 2023年 | [PUB] [PDF] |
| Out-of-Distribution Generalization of Federated Learning via Implicit Invariant Relationships | 吉林大学 | ICML | 2023年 | [PUB] [CODE] |
| Personalized Federated Learning under Mixture of Distributions | 加州大学洛杉矶分校 | ICML | 2023年 | [PUB] [PDF] [CODE] |
| FedDisco: Federated Learning with Discrepancy-Aware Collaboration | SJTU | ICML | 2023年 | [PUB] [PDF] [CODE] |
| Anchor Sampling for Federated Learning with Partial Client Participation | 普渡大学 | ICML | 2023年 | [PUB] [PDF] [CODE] |
| Private Federated Learning with Autotuned Compression | JHU;谷歌 | ICML | 2023年 | [PUB] [PDF] |
| Fast Federated Machine Unlearning with Nonlinear Functional Theory | 奥本大学 | ICML | 2023年 | [PUB] |
| On the Convergence of Federated Averaging with Cyclic Client Participation | 卡耐基梅隆大学 | ICML | 2023年 | [PUB] [PDF] |
| Revisiting Weighted Aggregation in Federated Learning with Neural Networks | 浙江大学 | ICML | 2023年 | [PUB] [PDF] [CODE] |
| The Blessing of Heterogeneity in Federated Q-Learning: Linear Speedup and Beyond | 卡耐基梅隆大学 | ICML | 2023年 | [PUB] [PDF] [SLIDES] |
| GuardHFL: Privacy Guardian for Heterogeneous Federated Learning | UESTC;南洋理工大学 | ICML | 2023年 | [PUB] |
| Flash: Concept Drift Adaptation in Federated Learning | 马萨诸塞大学 | ICML | 2023年 | [PUB] |
| DoCoFL: Downlink Compression for Cross-Device Federated Learning | VMware Research;以色列理工学院 | ICML | 2023年 | [PUB] [PDF] |
| FeDXL: Provable Federated Learning for Deep X-Risk Optimization | 德克萨斯农工大学 | ICML | 2023年 | [PUB] [PDF] [CODE] |
| No One Idles: Efficient Heterogeneous Federated Learning with Parallel Edge and Server Computation | 打 | ICML | 2023年 | [PUB] [CODE] |
| Personalized Federated Learning with Inferred Collaboration Graphs | SJTU | ICML | 2023年 | [PUB] [CODE] |
| Optimizing the Collaboration Structure in Cross-Silo Federated Learning | 伊利诺伊大学香槟分校 | ICML | 2023年 | [PUB] [PDF] [CODE] [SLIDES] |
| TabLeak: Tabular Data Leakage in Federated Learning | 苏黎世联邦理工学院 | ICML | 2023年 | [PUB] [PDF] [CODE] |
| FedCR: Personalized Federated Learning Based on Across-Client Common Representation with Conditional Mutual Information Regularization | SJTU | ICML | 2023年 | [PUB] [CODE] |
| Fed-CBS: A Heterogeneity-Aware Client Sampling Mechanism for Federated Learning via Class-Imbalance Reduction | 杜克大学 | ICML | 2023年 | [PUB] [PDF] |
| Privacy-Aware Compression for Federated Learning Through Numerical Mechanism Design | 元人工智能 | ICML | 2023年 | [PUB] [PDF] [CODE] |
| SRATTA: Sample Re-ATTribution Attack of Secure Aggregation in Federated Learning | Owkin Inc. | ICML | 2023年 | [PUB] [PDF] [CODE] |
| Improving the Model Consistency of Decentralized Federated Learning | 周四 | ICML | 2023年 | [PUB] [PDF] |
| Efficient Personalized Federated Learning via Sparse Model-Adaptation | 阿里巴巴集团 | ICML | 2023年 | [PUB] [PDF] [CODE] |
| From Noisy Fixed-Point Iterations to Private ADMM for Centralized and Federated Learning | 大学。里尔 | ICML | 2023年 | [PUB] [PDF] [CODE] |
| LeadFL: Client Self-Defense against Model Poisoning in Federated Learning | TUD | ICML | 2023年 | [PUB] [CODE] |
| Chameleon: Adapting to Peer Images for Planting Durable Backdoors in Federated Learning | 香港科技大学 | ICML | 2023年 | [PUB] [PDF] [CODE] |
| FedVS: Straggler-Resilient and Privacy-Preserving Vertical Federated Learning for Split Models | 香港科技大学 | ICML | 2023年 | [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年 | [PUB] [PDF] [CODE] |
| Towards Unbiased Training in Federated Open-world Semi-supervised Learning | 理大 | ICML | 2023年 | [PUB] [PDF] [SLIDES] |
| Cocktail Party Attack: Breaking Aggregation-Based Privacy in Federated Learning Using Independent Component Analysis | Georgia Tech;元人工智能 | ICML | 2023年 | [PUB] [PDF] |
| Surrogate Model Extension (SME): A Fast and Accurate Weight Update Attack on Federated Learning | 鲁汶大学 | ICML | 2023年 | [PUB] [PDF] [CODE] |
| Fair yet Asymptotically Equal Collaborative Learning | 新加坡国立大学 | ICML | 2023年 | [PUB] [PDF] [CODE] |
| Sketching for First Order Method: Efficient Algorithm for Low-Bandwidth Channel and Vulnerability | 奥多比研究 | ICML | 2023年 | [PUB] [PDF] |
| Adversarial Collaborative Learning on Non-IID Features | UC Berkeley;新加坡国立大学 | ICML | 2023年 | [PUB] |
| XTab: Cross-table Pretraining for Tabular Transformers | EPFL;康奈尔大学； AWS | ICML | 2023年 | [PUB] [PDF] [CODE] |
| Momentum Ensures Convergence of SIGNSGD under Weaker Assumptions | 国防科技大学 | ICML | 2023年 | [PUB] |
| 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年 | [PUB] [PDF] [CODE] |
| LESS-VFL: Communication-Efficient Feature Selection for Vertical Federated Learning | 伦斯勒理工学院 | ICML | 2023年 | [PUB] [PDF] |
| FedAvg Converges to Zero Training Loss Linearly for Overparameterized Multi-Layer Neural Networks | 明尼苏达大学 | ICML | 2023年 | [PUB] |
| Addressing Budget Allocation and Revenue Allocation in Data Market Environments Using an Adaptive Sampling Algorithm | 芝加哥大学 | ICML | 2023年 | [PUB] [PDF] [CODE] |
| Ensemble and continual federated learning for classification tasks. | 圣地亚哥德孔波斯特拉大学 | Mach Learn | 2023年 | [PUB] [PDF] |
| FAC-fed: Federated adaptation for fairness and concept drift aware stream classification | 汉诺威莱布尼茨大学 | Mach Learn | 2023年 | [PUB] |
| Robust federated learning under statistical heterogeneity via hessian-weighted aggregation | 迪肯大学 | Mach Learn | 2023年 | [PUB] |
| FedLab: A Flexible Federated Learning Framework | UESTC; Peng Cheng Lab | JMLR | 2023年 | [PUB] [PDF] [CODE] |
| Minimax Estimation for Personalized Federated Learning: An Alternative between FedAvg and Local Training? | JMLR | 2023年 | [PUB] | |
| Memory-Based Optimization Methods for Model-Agnostic Meta-Learning and Personalized Federated Learning | 塔穆 | JMLR | 2023年 | [PUB] [PDF] [CODE] |
| A First Look into the Carbon Footprint of Federated Learning | 剑桥大学 | JMLR | 2023年 | [PUB] [PDF] |
| Attacks against Federated Learning Defense Systems and their Mitigation | 纽卡斯尔大学 | JMLR | 2023年 | [PUB] [CODE] |
| A General Theory for Federated Optimization with Asynchronous and Heterogeneous Clients Updates | Universit ́e Cˆ ote d'Azur | JMLR | 2023年 | [PUB] [PDF] [CODE] |
| Tighter Regret Analysis and Optimization of Online Federated Learning | 汉阳大学 | TPAMI | 2023年 | [PUB] [PDF] |
| Efficient Federated Learning Via Local Adaptive Amended Optimizer With Linear Speedup | 悉尼大学 | TPAMI | 2023年 | [PDF] |
| Federated Learning Via Inexact ADMM. | BJTU | TPAMI | 2023年 | [PUB] [PDF] [CODE] |
| FedIPR: Ownership Verification for Federated Deep Neural Network Models | SJTU | TPAMI | 2023年 | [PUB] [PDF] [CODE] [解读] |
| Decentralized Federated Averaging | 国防科技大学 | TPAMI | 2023年 | [PUB] [PDF] |
| Personalized Federated Learning with Feature Alignment and Classifier Collaboration | 周四 | ICLR | 2023年 | [PUB] [CODE] |
| MocoSFL: enabling cross-client collaborative self-supervised learning | 亚利桑那州立大学 | ICLR | 2023年 | [PUB] [CODE] |
| Single-shot General Hyper-parameter Optimization for Federated Learning | 国际商业机器公司 | ICLR | 2023年 | [PUB] [PDF] [CODE] |
| 从哪里开始？ Exploring the Impact of Pre-Training and Initialization in Federated | ICLR | 2023年 | [PUB] [PDF] [CODE] | |
| FedExP: Speeding up Federated Averaging via Extrapolation | 卡耐基梅隆大学 | ICLR | 2023年 | [PUB] [PDF] [CODE] |
| Turning the Curse of Heterogeneity in Federated Learning into a Blessing for Out-of-Distribution Detection | 密歇根州立大学 | ICLR | 2023年 | [PUB] [CODE] |
| DASHA: Distributed Nonconvex Optimization with Communication Compression and Optimal Oracle Complexity | 阿卜杜拉国王科技大学 | ICLR | 2023年 | [PUB] [PDF] [CODE] |
| Machine Unlearning of Federated Clusters | 伊利诺伊大学 | ICLR | 2023年 | [PUB] [PDF] [CODE] |
| Federated Neural Bandits | 新加坡国立大学 | ICLR | 2023年 | [PUB] [PDF] [CODE] |
| FedFA: Federated Feature Augmentation | 苏黎世联邦理工学院 | ICLR | 2023年 | [PUB] [PDF] [CODE] |
| Federated Learning as Variational Inference: A Scalable Expectation Propagation Approach | 卡耐基梅隆大学 | ICLR | 2023年 | [PUB] [PDF] [CODE] |
| Better Generative Replay for Continual Federated Learning | 弗吉尼亚大学 | ICLR | 2023年 | [PUB] [CODE] |
| Federated Learning from Small Datasets | IKIM | ICLR | 2023年 | [PUB] [PDF] |
| Federated Nearest Neighbor Machine Translation | 中国科学技术大学 | ICLR | 2023年 | [PUB] [PDF] |
| Meta Knowledge Condensation for Federated Learning | 新加坡科技星 | ICLR | 2023年 | [PUB] [PDF] |
| Test-Time Robust Personalization for Federated Learning | 洛桑联邦理工学院 | ICLR | 2023年 | [PUB] [PDF] [CODE] |
| DepthFL : Depthwise Federated Learning for Heterogeneous Clients | 首尔国立大学 | ICLR | 2023年 | [PUB] |
| Towards Addressing Label Skews in One-Shot Federated Learning | 新加坡国立大学 | ICLR | 2023年 | [PUB] [CODE] |
| Towards Understanding and Mitigating Dimensional Collapse in Heterogeneous Federated Learning | 新加坡国立大学 | ICLR | 2023年 | [PUB] [PDF] [CODE] |
| Panning for Gold in Federated Learning: Targeted Text Extraction under Arbitrarily Large-Scale Aggregation | UMD | ICLR | 2023年 | [PUB] [CODE] |
| SWIFT: Rapid Decentralized Federated Learning via Wait-Free Model Communication | UMD | ICLR | 2023年 | [PUB] [PDF] [CODE] |
| Private Federated Learning Without a Trusted Server: Optimal Algorithms for Convex Losses | 南加州大学 | ICLR | 2023年 | [PUB] [PDF] [CODE] |
| Effective passive membership inference attacks in federated learning against overparameterized models | 普渡大学 | ICLR | 2023年 | [PUB] |
| FiT: Parameter Efficient Few-shot Transfer Learning for Personalized and Federated Image Classification | 剑桥大学 | ICLR | 2023年 | [PUB] [PDF] [CODE] |
| 通过对比表示集成的多模态联合学习 | 周四 | ICLR | 2023年 | [PUB] [PDF] [CODE] |
| Faster federated optimization under second-order similarity | 普林斯顿大学 | ICLR | 2023年 | [PUB] [PDF] [CODE] |
| FedSpeed: Larger Local Interval, Less Communication Round, and Higher Generalization Accuracy | 悉尼大学 | ICLR | 2023年 | [PUB] [CODE] |
| The Best of Both Worlds: Accurate Global and Personalized Models through Federated Learning with Data-Free Hyper-Knowledge Distillation | utexas | ICLR | 2023年 | [PUB] [PDF] [CODE] |
| PerFedMask: Personalized Federated Learning with Optimized Masking Vectors | UBC | ICLR | 2023年 | [PUB] [CODE] |
| EPISODE: Episodic Gradient Clipping with Periodic Resampled Corrections for Federated Learning with Heterogeneous Data | GMU | ICLR | 2023年 | [PUB] [CODE] |
| FedDAR: Federated Domain-Aware Representation Learning | 哈佛 | ICLR | 2023年 | [PUB] [PDF] [CODE] |
| Share Your Representation Only: Guaranteed Improvement of the Privacy-Utility Tradeoff in Federated Learning | 宾州大学 | ICLR | 2023年 | [PUB] [CODE] |
| FLIP: A Provable Defense Framework for Backdoor Mitigation in Federated Learning | 普渡大学 | ICLR | 2023年 | [PUB] [PDF] [CODE] |
| Generalization Bounds for Federated Learning: Fast Rates, Unparticipating Clients and Unbounded Losses | 中国人民大学 | ICLR | 2023年 | [PUB] |
| Efficient Federated Domain Translation | 普渡大学 | ICLR | 2023年 | [PUB] [CODE] |
| On the Importance and Applicability of Pre-Training for Federated Learning | OSU | ICLR | 2023年 | [PUB] [PDF] [CODE] |
| Decepticons: Corrupted Transformers Breach Privacy in Federated Learning for Language Models | UMD | ICLR | 2023年 | [PUB] [PDF] [CODE] |
| A Statistical Framework for Personalized Federated Learning and Estimation: Theory, Algorithms, and Privacy | 加州大学洛杉矶分校 | ICLR | 2023年 | [PUB] [PDF] |
| Instance-wise Batch Label Restoration via Gradients in Federated Learning | BUAA | ICLR | 2023年 | [PUB] [CODE] |
| Data-Free One-Shot Federated Learning Under Very High Statistical Heterogeneity | 威廉玛丽学院 | ICLR | 2023年 | [PUB] |
| CANIFE: Crafting Canaries for Empirical Privacy Measurement in Federated Learning | 华威大学 | ICLR | 2023年 | [PUB] [PDF] [CODE] |
| Sparse Random Networks for Communication-Efficient Federated Learning | 斯坦福大学 | ICLR | 2023年 | [PUB] [PDF] [CODE] |
| Combating Exacerbated Heterogeneity for Robust Decentralized Models | 浸大 | ICLR | 2023年 | [PUB] [CODE] |
| Hyperparameter Optimization through Neural Network Partitioning | 剑桥大学 | ICLR | 2023年 | [PUB] [PDF] |
| Does Decentralized Learning with Non-IID Unlabeled Data Benefit from Self Supervision? | 麻省理工学院 | ICLR | 2023年 | [PUB] [PDF] [CODE] |
| Variance Reduction is an Antidote to Byzantines: Better Rates, Weaker Assumptions and Communication Compression as a Cherry on the Top | 姆祖艾 | ICLR | 2023年 | [PUB] [PDF] [CODE] |
| Dual Diffusion Implicit Bridges for Image-to-Image Translation | 斯坦福大学 | ICLR | 2023年 | [PUB] [PDF] [CODE] |
| An accurate, scalable and verifiable protocol for federated differentially private averaging | INRIA Lille | Mach Learn | 2022年 | [PUB] [PDF] |
| Federated online clustering of bandits. | 香港中文大学 | 联合人工智能 | 2022年 | [PUB] [PDF] [CODE] |
| Privacy-aware compression for federated data analysis. | 元人工智能 | 联合人工智能 | 2022年 | [PUB] [PDF] [CODE] |
| Faster non-convex federated learning via global and local momentum. | 德克萨斯大学 | 联合人工智能 | 2022年 | [PUB] [PDF] |
| Fedvarp: Tackling the variance due to partial client participation in federated learning. | 卡耐基梅隆大学 | 联合人工智能 | 2022年 | [PUB] [PDF] |
| SASH: Efficient secure aggregation based on SHPRG for federated learning | CAS； CASTEST | 联合人工智能 | 2022年 | [PUB] [PDF] |
| Bayesian federated estimation of causal effects from observational data | 新加坡国立大学 | 联合人工智能 | 2022年 | [PUB] [PDF] |
| Communication-Efficient Randomized Algorithm for Multi-Kernel Online Federated Learning | 汉阳大学 | TPAMI | 2022年 | [PUB] |
| Lazily Aggregated Quantized Gradient Innovation for Communication-Efficient Federated Learning | 浙江大学 | TPAMI | 2022年 | [PUB] [CODE] |
| Communication Acceleration of Local Gradient Methods via an Accelerated Primal-Dual Algorithm with an Inexact Prox | 莫斯科物理技术学院 | NeurIPS | 2022年 | [PUB] [PDF] |
| LAMP: Extracting Text from Gradients with Language Model Priors | ETHZ | NeurIPS | 2022年 | [PUB] [CODE] |
| FedAvg with Fine Tuning: Local Updates Lead to Representation Learning | utexas | NeurIPS | 2022年 | [PUB] [PDF] |
| On Convergence of FedProx: Local Dissimilarity Invariant Bounds, Non-smoothness and Beyond | NUIST | NeurIPS | 2022年 | [PUB] [PDF] |
| Improved Differential Privacy for SGD via Optimal Private Linear Operators on Adaptive Streams | 威斯康星州 | 神经信息处理系统 | 2022年 | [PUB] [CODE] |
| Decentralized Gossip-Based Stochastic Bilevel Optimization over Communication Networks | 哥伦比亚大学 | NeurIPS | 2022年 | [PUB] [PDF] |
| Asymptotic Behaviors of Projected Stochastic Approximation: A Jump Diffusion Perspective | 北京大学 | NeurIPS | 2022年 | [PUB] |
| Subspace Recovery from Heterogeneous Data with Non-isotropic Noise | 斯坦福大学 | NeurIPS | 2022年 | [PUB] [PDF] |
| EF-BV: A Unified Theory of Error Feedback and Variance Reduction Mechanisms for Biased and Unbiased Compression in Distributed Optimization | 阿卜杜拉国王科技大学 | NeurIPS | 2022年 | [PUB] [PDF] |
| On-Demand Sampling: Learning Optimally from Multiple Distributions | 加州大学伯克利分校 | NeurIPS | 2022年 | [PUB] [CODE] |
| Improved Utility Analysis of Private CountSketch | 国际电联 | NeurIPS | 2022年 | [PUB] [PDF] [CODE] |
| Rate-Distortion Theoretic Bounds on Generalization Error for Distributed Learning | 华为 | NeurIPS | 2022年 | [PUB] [CODE] |
| Decentralized Local Stochastic Extra-Gradient for Variational Inequalities | phystech | NeurIPS | 2022年 | [PUB] [PDF] |
| BEER: Fast O(1/T) Rate for Decentralized Nonconvex Optimization with Communication Compression | 普林斯顿 | NeurIPS | 2022年 | [PUB] [PDF] [CODE] |
| Escaping Saddle Points with Bias-Variance Reduced Local Perturbed SGD for Communication Efficient Nonconvex Distributed Learning | 东京大学 | NeurIPS | 2022年 | [PUB] [PDF] |
| Near-Optimal Collaborative Learning in Bandits | INRIA;健康与健康研究所 | NeurIPS | 2022年 | [PUB] [PDF] [CODE] |
| Distributed Methods with Compressed Communication for Solving Variational Inequalities, with Theoretical Guarantees | phystech | NeurIPS | 2022年 | [PUB] [PDF] |
| Towards Optimal Communication Complexity in Distributed Non-Convex Optimization | TTIC | NeurIPS | 2022年 | [PUB] [CODE] |
| FedPop: A Bayesian Approach for Personalised Federated Learning | 斯科尔泰克 | NeurIPS | 2022年 | [PUB] [PDF] |
| Fairness in Federated Learning via Core-Stability | 伊利诺伊大学香槟分校 | NeurIPS | 2022年 | [PUB] [CODE] |
| SecureFedYJ: a safe feature Gaussianization protocol for Federated Learning | 索邦大学 | NeurIPS | 2022年 | [PUB] [PDF] |
| FedRolex: Model-Heterogeneous Federated Learning with Rolling Submodel Extraction | 密歇根州立大学 | NeurIPS | 2022年 | [PUB] [CODE] |
| On Sample Optimality in Personalized Collaborative and Federated Learning | 意大利国家工业协会 | NeurIPS | 2022年 | [PUB] |
| DReS-FL: Dropout-Resilient Secure Federated Learning for Non-IID Clients via Secret Data Sharing | 香港科技大学 | NeurIPS | 2022年 | [PUB] [PDF] |
| FairVFL: A Fair Vertical Federated Learning Framework with Contrastive Adversarial Learning | 周四 | NeurIPS | 2022年 | [PUB] |
| Variance Reduced ProxSkip: Algorithm, Theory and Application to Federated Learning | 阿卜杜拉国王科技大学 | NeurIPS | 2022年 | [PUB] [PDF] |
| VF-PS: How to Select Important Participants in Vertical Federated Learning, Efficiently and Securely? | 武汉大学 | NeurIPS | 2022年 | [PUB] [CODE] |
| DENSE: Data-Free One-Shot Federated Learning | 浙江大学 | NeurIPS | 2022年 | [PUB] [PDF] |
| CalFAT: Calibrated Federated Adversarial Training with Label Skewness | 浙江大学 | NeurIPS | 2022年 | [PUB] [PDF] |
| SAGDA: Achieving O(ϵ−2) Communication Complexity in Federated Min-Max Learning | OSU | NeurIPS | 2022年 | [PUB] [PDF] |
| Taming Fat-Tailed (“Heavier-Tailed” with Potentially Infinite Variance) Noise in Federated Learning | OSU | NeurIPS | 2022年 | [PUB] [PDF] |
| Personalized Federated Learning towards Communication Efficiency, Robustness and Fairness | 北京大学 | NeurIPS | 2022年 | [PUB] |
| Federated Submodel Optimization for Hot and Cold Data Features | SJTU | NeurIPS | 2022年 | [PUB] |
| BooNTK: Convexifying Federated Learning using Bootstrapped Neural Tangent Kernels | 加州大学伯克利分校 | NeurIPS | 2022年 | [PUB] [PDF] |
| Byzantine-tolerant federated Gaussian process regression for streaming data | 电源供应器 | NeurIPS | 2022年 | [PUB] [CODE] |
| SoteriaFL: A Unified Framework for Private Federated Learning with Communication Compression | 卡耐基梅隆大学 | NeurIPS | 2022年 | [PUB] [PDF] |
| Coresets for Vertical Federated Learning: Regularized Linear Regression and K-Means Clustering | 耶鲁大学 | NeurIPS | 2022年 | [PUB] [PDF] [CODE] |
| Communication Efficient Federated Learning for Generalized Linear Bandits | 弗吉尼亚大学 | NeurIPS | 2022年 | [PUB] [CODE] |
| Recovering Private Text in Federated Learning of Language Models | 普林斯顿 | NeurIPS | 2022年 | [PUB] [PDF] [CODE] |
| Federated Learning from Pre-Trained Models: A Contrastive Learning Approach | 悉尼科技大学 | NeurIPS | 2022年 | [PUB] [PDF] |
| Global Convergence of Federated Learning for Mixed Regression | 东北大学 | NeurIPS | 2022年 | [PUB] [PDF] |
| Resource-Adaptive Federated Learning with All-In-One Neural Composition | 约翰霍普金斯大学 | NeurIPS | 2022年 | [PUB] |
| Self-Aware Personalized Federated Learning | 亚马逊 | NeurIPS | 2022年 | [PUB] [PDF] |
| A Communication-efficient Algorithm with Linear Convergence for Federated Minimax Learning | 东北大学 | NeurIPS | 2022年 | [PUB] [PDF] |
| An Adaptive Kernel Approach to Federated Learning of Heterogeneous Causal Effects | 新加坡国立大学 | NeurIPS | 2022年 | [PUB] |
| Sharper Convergence Guarantees for Asynchronous SGD for Distributed and Federated Learning | 洛桑联邦理工学院 | 神经信息处理系统 | 2022年 | [PUB] [PDF] |
| Personalized Online Federated Multi-Kernel Learning | 加州大学尔湾分校 | NeurIPS | 2022年 | [PUB] |
| SemiFL: Semi-Supervised Federated Learning for Unlabeled Clients with Alternate Training | 杜克大学 | NeurIPS | 2022年 | [PUB] [PDF] [CODE] |
| A Unified Analysis of Federated Learning with Arbitrary Client Participation | 国际商业机器公司 | NeurIPS | 2022年 | [PUB] [PDF] |
| Preservation of the Global Knowledge by Not-True Distillation in Federated Learning | 韩国科学技术院 | NeurIPS | 2022年 | [PUB] [PDF] [CODE] |
| FedSR: A Simple and Effective Domain Generalization Method for Federated Learning | 牛津大学 | NeurIPS | 2022年 | [PUB] [CODE] |
| Factorized-FL: Personalized Federated Learning with Parameter Factorization & Similarity Matching | 韩国科学技术院 | NeurIPS | 2022年 | [PUB] [PDF] [CODE] |
| A Simple and Provably Efficient Algorithm for Asynchronous Federated Contextual Linear Bandits | UC | NeurIPS | 2022年 | [PUB] [PDF] |
| Learning to Attack Federated Learning: A Model-based Reinforcement Learning Attack Framework | 杜兰大学 | NeurIPS | 2022年 | [PUB] |
| On Privacy and Personalization in Cross-Silo Federated Learning | 卡耐基梅隆大学 | NeurIPS | 2022年 | [PUB] [PDF] |
| A Coupled Design of Exploiting Record Similarity for Practical Vertical Federated Learning | 新加坡国立大学 | NeurIPS | 2022年 | [PUB] [PDF] [CODE] |
| FLamby: Datasets and Benchmarks for Cross-Silo Federated Learning in Realistic Healthcare Settings | Owkin | NeurIPS Datasets and Benchmarks | 2022年 | [PUB] [CODE] |
| A Tree-based Model Averaging Approach for Personalized Treatment Effect Estimation from Heterogeneous Data Sources | 匹兹堡大学 | ICML | 2022年 | [PUB] [PDF] [CODE] |
| Fast Composite Optimization and Statistical Recovery in Federated Learning | SJTU | ICML | 2022年 | [PUB] [PDF] [CODE] |
| Personalization Improves Privacy-Accuracy Tradeoffs in Federated Learning | 纽约大学 | ICML | 2022年 | [PUB] [PDF] [CODE] |
| The Fundamental Price of Secure Aggregation in Differentially Private Federated Learning | 斯坦福大学； Google Research | ICML | 2022年 | [PUB] [PDF] [CODE] [SLIDE] |
| The Poisson Binomial Mechanism for Unbiased Federated Learning with Secure Aggregation | 斯坦福大学； Google Research | ICML | 2022年 | [PUB] [PDF] [CODE] |
| DisPFL: Towards Communication-Efficient Personalized Federated Learning via Decentralized Sparse Training | 中国科学技术大学 | ICML | 2022年 | [PUB] [PDF] [CODE] |
| FedNew: A Communication-Efficient and Privacy-Preserving Newton-Type Method for Federated Learning | 奥卢大学 | ICML | 2022年 | [PUB] [PDF] [CODE] |
| DAdaQuant: Doubly-adaptive quantization for communication-efficient Federated Learning | 剑桥大学 | ICML | 2022年 | [PUB] [PDF] [SLIDE] [CODE] |
| Accelerated Federated Learning with Decoupled Adaptive Optimization | 奥本大学 | ICML | 2022年 | [PUB] [PDF] |
| Federated Reinforcement Learning: Linear Speedup Under Markovian Sampling | 佐治亚理工学院 | ICML | 2022年 | [PUB] [PDF] |
| Multi-Level Branched Regularization for Federated Learning | 首尔国立大学 | ICML | 2022年 | [PUB] [PDF] [CODE] [PAGE] |
| FedScale: Benchmarking Model and System Performance of Federated Learning at Scale | 密歇根大学 | ICML | 2022年 | [PUB] [PDF] [CODE] |
| Federated Learning with Positive and Unlabeled Data | 西安交通大学 | ICML | 2022年 | [PUB] [PDF] [CODE] |
| Deep Neural Network Fusion via Graph Matching with Applications to Model Ensemble and Federated Learning | SJTU | ICML | 2022年 | [PUB] [CODE] |
| Orchestra: Unsupervised Federated Learning via Globally Consistent Clustering | 密歇根大学 | ICML | 2022年 | [PUB] [PDF] [CODE] |
| Disentangled Federated Learning for Tackling Attributes Skew via Invariant Aggregation and Diversity Transferring | 中国科学技术大学 | ICML | 2022年 | [PUB] [PDF] [CODE] [SLIDE] [解读] |
| Architecture Agnostic Federated Learning for Neural Networks | 德克萨斯大学奥斯汀分校 | ICML | 2022年 | [PUB] [PDF] [SLIDE] |
| Personalized Federated Learning through Local Memorization | 因里亚 | ICML | 2022年 | [PUB] [PDF] [CODE] |
| Proximal and Federated Random Reshuffling | 阿卜杜拉国王科技大学 | ICML | 2022年 | [PUB] [PDF] [CODE] |
| Federated Learning with Partial Model Personalization | 华盛顿大学 | ICML | 2022年 | [PUB] [PDF] [CODE] |
| Generalized Federated Learning via Sharpness Aware Minimization | 南佛罗里达大学 | ICML | 2022年 | [PUB] [PDF] |
| FedNL: Making Newton-Type Methods Applicable to Federated Learning | 阿卜杜拉国王科技大学 | ICML | 2022年 | [PUB] [PDF] [VIDEO] [SLIDE] |
| Federated Minimax Optimization: Improved Convergence Analyses and Algorithms | 卡耐基梅隆大学 | ICML | 2022年 | [PUB] [PDF] [SLIDE] |
| Virtual Homogeneity Learning: Defending against Data Heterogeneity in Federated Learning | 香港浸会大学 | ICML | 2022年 | [PUB] [PDF] [CODE] [解读] |
| FedNest: Federated Bilevel, Minimax, and Compositional Optimization | 密歇根大学 | ICML | 2022年 | [PUB] [PDF] [CODE] |
| EDEN: Communication-Efficient and Robust Distributed Mean Estimation for Federated Learning | 威睿研究 | ICML | 2022年 | [PUB] [PDF] [CODE] |
| Communication-Efficient Adaptive Federated Learning | 宾夕法尼亚州立大学 | ICML | 2022年 | [PUB] [PDF] |
| ProgFed: Effective, Communication, and Computation Efficient Federated Learning by Progressive Training | CISPA Helmholz Center for Information Security | ICML | 2022年 | [PUB] [PDF] [SLIDE] [CODE] |
| 通过梯度放大在大批量联邦学习中挖掘用户数据 | 马里兰大学 | ICML | 2022年 | [PUB] [PDF] [CODE] |
| Anarchic Federated Learning | 俄亥俄州立大学 | ICML | 2022年 | [PUB] [PDF] |
| QSFL: A Two-Level Uplink Communication Optimization Framework for Federated Learning | 南开大学 | ICML | 2022年 | [PUB] [CODE] |
| Bitwidth Heterogeneous Federated Learning with Progressive Weight Dequantization | 韩国科学技术院 | ICML | 2022年 | [PUB] [PDF] |
| Neural Tangent Kernel Empowered Federated Learning | 北卡罗来纳州立大学 | ICML | 2022年 | [PUB] [PDF] [CODE] |
| Understanding Clipping for Federated Learning: Convergence and Client-Level Differential Privacy | UMN | ICML | 2022年 | [PUB] [PDF] |
| Personalized Federated Learning via Variational Bayesian Inference | 中科院 | ICML | 2022年 | [PUB] [PDF] [SLIDE] [UC.] |
| Federated Learning with Label Distribution Skew via Logits Calibration | 浙江大学 | ICML | 2022年 | [PUB] |
| Neurotoxin: Durable Backdoors in Federated Learning | Southeast University;Princeton | ICML | 2022年 | [PUB] [PDF] [CODE] |
| Resilient and Communication Efficient Learning for Heterogeneous Federated Systems | 密歇根州立大学 | ICML | 2022年 | [PUB] |
| Minibatch vs Local SGD with Shuffling: Tight Convergence Bounds and Beyond | 韩国科学技术院 | ICLR (oral) | 2022年 | [PUB] [CODE] |
| Bayesian Framework for Gradient Leakage | 苏黎世联邦理工学院 | ICLR | 2022年 | [PUB] [PDF] [CODE] |
| Federated Learning from only unlabeled data with class-conditional-sharing clients | The University of Tokyo;香港中文大学 | ICLR | 2022年 | [PUB] [CODE] |
| FedChain: Chained Algorithms for Near-Optimal Communication Cost in Federated Learning | CMU;伊利诺伊大学厄巴纳-香槟分校；华盛顿大学 | ICLR | 2022年 | [PUB] [PDF] |
| Acceleration of Federated Learning with Alleviated Forgetting in Local Training | 周四 | ICLR | 2022年 | [PUB] [PDF] [CODE] |
| FedPara: Low-rank Hadamard Product for Communicatkion-Efficient Federated Learning | 浦项科技大学 | ICLR | 2022年 | [PUB] [PDF] [CODE] |
| An Agnostic Approach to Federated Learning with Class Imbalance | 宾夕法尼亚大学 | ICLR | 2022年 | [PUB] [CODE] |
| Efficient Split-Mix Federated Learning for On-Demand and In-Situ Customization | Michigan State University;德克萨斯大学奥斯汀分校 | ICLR | 2022年 | [PUB] [PDF] [CODE] |
| Robbing the Fed: Directly Obtaining Private Data in Federated Learning with Modified Models | University of Maryland;纽约大学 | ICLR | 2022年 | [PUB] [PDF] [CODE] |
| ZeroFL: Efficient On-Device Training for Federated Learning with Local Sparsity | University of Cambridge;牛津大学 | ICLR | 2022年 | [PUB] [PDF] |
| Diverse Client Selection for Federated Learning via Submodular Maximization | 英特尔;卡耐基梅隆大学 | ICLR | 2022年 | [PUB] [CODE] |
| Recycling Model Updates in Federated Learning: Are Gradient Subspaces Low-Rank? | Purdue | ICLR | 2022年 | [PUB] [PDF] [CODE] |
| Diurnal or Nocturnal? Federated Learning of Multi-branch Networks from Periodically Shifting Distributions | University of Maryland;谷歌 | ICLR | 2022年 | [PUB] [CODE] |
| Towards Model Agnostic Federated Learning Using Knowledge Distillation | 洛桑联邦理工学院 | ICLR | 2022年 | [PUB] [PDF] [CODE] |
| Divergence-aware Federated Self-Supervised Learning | NTU;商汤科技 | ICLR | 2022年 | [PUB] [PDF] [CODE] |
| What Do We Mean by Generalization in Federated Learning? | 斯坦福大学；谷歌 | ICLR | 2022年 | [PUB] [PDF] [CODE] |
| FedBABU: Toward Enhanced Representation for Federated Image Classification | 韩国科学技术院 | ICLR | 2022年 | [PUB] [PDF] [CODE] |
| Byzantine-Robust Learning on Heterogeneous Datasets via Bucketing | 洛桑联邦理工学院 | ICLR | 2022年 | [PUB] [PDF] [CODE] |
| Improving Federated Learning Face Recognition via Privacy-Agnostic Clusters | 爱比 | ICLR Spotlight | 2022年 | [PUB] [PDF] [PAGE] [解读] |
| Hybrid Local SGD for Federated Learning with Heterogeneous Communications | University of Texas;宾夕法尼亚州立大学 | ICLR | 2022年 | [PUB] |
| On Bridging Generic and Personalized Federated Learning for Image Classification | 俄亥俄州立大学 | ICLR | 2022年 | [PUB] [PDF] [CODE] |
| Minibatch vs Local SGD with Shuffling: Tight Convergence Bounds and Beyond | KAIST;麻省理工学院 | ICLR | 2022年 | [PUB] [PDF] |
| One-Shot Federated Learning: Theoretical Limits and Algorithms to Achieve Them. | JMLR | 2021年 | [PUB] [CODE] | |
| Constrained differentially private federated learning for low-bandwidth devices | 联合人工智能 | 2021年 | [PUB] [PDF] | |
| Federated stochastic gradient Langevin dynamics | 联合人工智能 | 2021年 | [PUB] [PDF] | |
| Federated Learning Based on Dynamic Regularization | BU；手臂 | ICLR | 2021年 | [PUB] [PDF] [CODE] |
| Achieving Linear Speedup with Partial Worker Participation in Non-IID Federated Learning | 俄亥俄州立大学 | ICLR | 2021年 | [PUB] [PDF] |
| HeteroFL: Computation and Communication Efficient Federated Learning for Heterogeneous Clients | 杜克大学 | ICLR | 2021年 | [PUB] [PDF] [CODE] |
| FedMix: Approximation of Mixup under Mean Augmented Federated Learning | 韩国科学技术院 | ICLR | 2021年 | [PUB] [PDF] |
| Federated Learning via Posterior Averaging: A New Perspective and Practical Algorithms | CMU;谷歌 | ICLR | 2021年 | [PUB] [PDF] [CODE] |
| Adaptive Federated Optimization | 谷歌 | ICLR | 2021年 | [PUB] [PDF] [CODE] |
| Personalized Federated Learning with First Order Model Optimization | 斯坦福大学；英伟达 | ICLR | 2021年 | [PUB] [PDF] [CODE] [UC.] |
| FedBN: Federated Learning on Non-IID Features via Local Batch Normalization | 普林斯顿 | ICLR | 2021年 | [PUB] [PDF] [CODE] |
| FedBE: Making Bayesian Model Ensemble Applicable to Federated Learning | 俄亥俄州立大学 | ICLR | 2021年 | [PUB] [PDF] [CODE] |
| Federated Semi-Supervised Learning with Inter-Client Consistency & Disjoint Learning | 韩国科学技术院 | ICLR | 2021年 | [PUB] [PDF] [CODE] |
| KD3A: Unsupervised Multi-Source Decentralized Domain Adaptation via Knowledge Distillation | 浙江大学 | ICML | 2021年 | [PUB] [PDF] [CODE] [解读] |
| Gradient Disaggregation: Breaking Privacy in Federated Learning by Reconstructing the User Participant Matrix | 哈佛大学 | ICML | 2021年 | [PUB] [PDF] [VIDEO] [CODE] |
| FL-NTK: A Neural Tangent Kernel-based Framework for Federated Learning Analysis | PKU;普林斯顿 | ICML | 2021年 | [PUB] [PDF] [VIDEO] |
| Personalized Federated Learning using Hypernetworks | Bar-Ilan University;英伟达 | ICML | 2021年 | [PUB] [PDF] [CODE] [PAGE] [VIDEO] [解读] |
| Federated Composite Optimization | 斯坦福大学；谷歌 | ICML | 2021年 | [PUB] [PDF] [CODE] [VIDEO] [SLIDE] |
| Exploiting Shared Representations for Personalized Federated Learning | University of Texas at Austin;宾夕法尼亚大学 | ICML | 2021年 | [PUB] [PDF] [CODE] [VIDEO] |
| Data-Free Knowledge Distillation for Heterogeneous Federated Learning | 密歇根州立大学 | ICML | 2021年 | [PUB] [PDF] [CODE] [VIDEO] |
| Federated Continual Learning with Weighted Inter-client Transfer | 韩国科学技术院 | ICML | 2021年 | [PUB] [PDF] [CODE] [VIDEO] |
| Federated Deep AUC Maximization for Hetergeneous Data with a Constant Communication Complexity | 爱荷华大学 | ICML | 2021年 | [PUB] [PDF] [CODE] [VIDEO] |
| Bias-Variance Reduced Local SGD for Less Heterogeneous Federated Learning | 东京大学 | ICML | 2021年 | [PUB] [PDF] [VIDEO] |
| Federated Learning of User Verification Models Without Sharing Embeddings | 高通 | ICML | 2021年 | [PUB] [PDF] [VIDEO] |
| Clustered Sampling: Low-Variance and Improved Representativity for Clients Selection in Federated Learning | 埃森哲 | ICML | 2021年 | [PUB] [PDF] [CODE] [VIDEO] |
| Ditto: Fair and Robust Federated Learning Through Personalization | CMU;脸书人工智能 | ICML | 2021年 | [PUB] [PDF] [CODE] [VIDEO] |
| Heterogeneity for the Win: One-Shot Federated Clustering | 卡耐基梅隆大学 | ICML | 2021年 | [PUB] [PDF] [VIDEO] |
| The Distributed Discrete Gaussian Mechanism for Federated Learning with Secure Aggregation | 谷歌 | ICML | 2021年 | [PUB] [PDF] [CODE] [VIDEO] |
| Debiasing Model Updates for Improving Personalized Federated Training | BU；手臂 | ICML | 2021年 | [PUB] [CODE] [VIDEO] |
| One for One, or All for All: Equilibria and Optimality of Collaboration in Federated Learning | 丰田；伯克利；康奈尔大学 | ICML | 2021年 | [PUB] [PDF] [CODE] [VIDEO] |
| CRFL: Certifiably Robust Federated Learning against Backdoor Attacks | UIUC;国际商业机器公司 | ICML | 2021年 | [PUB] [PDF] [CODE] [VIDEO] |
| Federated Learning under Arbitrary Communication Patterns | 印第安纳大学；亚马逊 | ICML | 2021年 | [PUB] [VIDEO] |
| CANITA: Faster Rates for Distributed Convex Optimization with Communication Compression | 卡耐基梅隆大学 | 神经信息处理系统 | 2021年 | [PUB] [PDF] |
| Boosting with Multiple Sources | 谷歌 | NeurIPS | 2021年 | [PUB] |
| DRIVE: One-bit Distributed Mean Estimation | 虚拟机 | NeurIPS | 2021年 | [PUB] [CODE] |
| Gradient Driven Rewards to Guarantee Fairness in Collaborative Machine Learning | 新加坡国立大学 | NeurIPS | 2021年 | [PUB] [CODE] |
| Gradient Inversion with Generative Image Prior | 浦项科技大学 | NeurIPS | 2021年 | [PUB] [PDF] [CODE] |
| Distributed Machine Learning with Sparse Heterogeneous Data | 牛津大学 | NeurIPS | 2021年 | [PUB] [PDF] |
| Renyi Differential Privacy of The Subsampled Shuffle Model In Distributed Learning | 加州大学洛杉矶分校 | 神经信息处理系统 | 2021年 | [PUB] [PDF] |
| Sageflow: Robust Federated Learning against Both Stragglers and Adversaries | 韩国科学技术院 | NeurIPS | 2021年 | [PUB] |
| CAFE: Catastrophic Data Leakage in Vertical Federated Learning | Rensselaer Polytechnic Institute; IBM 研究中心 | NeurIPS | 2021年 | [PUB] [CODE] |
| Fault-Tolerant Federated Reinforcement Learning with Theoretical Guarantee | 新加坡国立大学 | NeurIPS | 2021年 | [PUB] [PDF] [CODE] |
| Optimality and Stability in Federated Learning: A Game-theoretic Approach | 康奈尔大学 | NeurIPS | 2021年 | [PUB] [PDF] [CODE] |
| QuPeD: Quantized Personalization via Distillation with Applications to Federated Learning | 加州大学洛杉矶分校 | NeurIPS | 2021年 | [PUB] [PDF] [CODE] [解读] |
| The Skellam Mechanism for Differentially Private Federated Learning | Google Research;卡耐基梅隆大学 | NeurIPS | 2021年 | [PUB] [PDF] [CODE] |
| No Fear of Heterogeneity: Classifier Calibration for Federated Learning with Non-IID Data | NUS;华为 | NeurIPS | 2021年 | [PUB] [PDF] |
| STEM: A Stochastic Two-Sided Momentum Algorithm Achieving Near-Optimal Sample and Communication Complexities for Federated Learning | UMN | NeurIPS | 2021年 | [PUB] [PDF] |
| Subgraph Federated Learning with Missing Neighbor Generation | Emory; UBC;理海大学 | NeurIPS | 2021年 | [PUB] [PDF] [CODE] [解读] |
| Evaluating Gradient Inversion Attacks and Defenses in Federated Learning | 普林斯顿 | NeurIPS | 2021年 | [PUB] [PDF] [CODE] |
| Personalized Federated Learning With Gaussian Processes | 巴伊兰大学 | NeurIPS | 2021年 | [PUB] [PDF] [CODE] |
| Differentially Private Federated Bayesian Optimization with Distributed Exploration | 麻省理工学院；新加坡国立大学 | NeurIPS | 2021年 | [PUB] [PDF] [CODE] |
| Parameterized Knowledge Transfer for Personalized Federated Learning | 理大 | NeurIPS | 2021年 | [PUB] [PDF] [CODE] |
| Federated Reconstruction: Partially Local Federated Learning | Google Research | NeurIPS | 2021年 | [PUB] [PDF] [CODE] [UC.] |
| Fast Federated Learning in the Presence of Arbitrary Device Unavailability | THU;普林斯顿；麻省理工学院 | NeurIPS | 2021年 | [PUB] [PDF] [CODE] |
| FL-WBC: Enhancing Robustness against Model Poisoning Attacks in Federated Learning from a Client Perspective | Duke University; Accenture Labs | NeurIPS | 2021年 | [PUB] [PDF] [CODE] |
| FjORD: Fair and Accurate Federated Learning under heterogeneous targets with Ordered Dropout | KAUST; Samsung AI Center | NeurIPS | 2021年 | [PUB] [PDF] |
| Linear Convergence in Federated Learning: Tackling Client Heterogeneity and Sparse Gradients | 宾夕法尼亚大学 | NeurIPS | 2021年 | [PUB] [PDF] [VIDEO] |
| Federated Multi-Task Learning under a Mixture of Distributions | INRIA; Accenture Labs | NeurIPS | 2021年 | [PUB] [PDF] [CODE] |
| Federated Graph Classification over Non-IID Graphs | 埃默里 | NeurIPS | 2021年 | [PUB] [PDF] [CODE] [解读] |
| Federated Hyperparameter Tuning: Challenges, Baselines, and Connections to Weight-Sharing | CMU;惠普企业 | NeurIPS | 2021年 | [PUB] [PDF] [CODE] |
| On Large-Cohort Training for Federated Learning | 谷歌;卡耐基梅隆大学 | NeurIPS | 2021年 | [PUB] [PDF] [CODE] |
| DeepReduce: A Sparse-tensor Communication Framework for Federated Deep Learning | KAUST;哥伦比亚大学；中佛罗里达大学 | NeurIPS | 2021年 | [PUB] [PDF] [CODE] |
| PartialFed: Cross-Domain Personalized Federated Learning via Partial Initialization | 华为 | NeurIPS | 2021年 | [PUB] [VIDEO] |
| Federated Split Task-Agnostic Vision Transformer for COVID-19 CXR Diagnosis | 韩国科学技术院 | NeurIPS | 2021年 | [PUB] [PDF] |
| Addressing Algorithmic Disparity and Performance Inconsistency in Federated Learning | THU;阿里巴巴；威尔康奈尔医学 | NeurIPS | 2021年 | [PUB] [PDF] [CODE] |
| Federated Linear Contextual Bandits | The Pennsylvania State University; Facebook;弗吉尼亚大学 | NeurIPS | 2021年 | [PUB] [PDF] [CODE] |
| Few-Round Learning for Federated Learning | 韩国科学技术院 | NeurIPS | 2021年 | [发布] |
| Breaking the centralized barrier for cross-device federated learning | EPFL; Google Research | NeurIPS | 2021年 | [PUB] [CODE] [VIDEO] |
| Federated-EM with heterogeneity mitigation and variance reduction | Ecole Polytechnique; Google Research | NeurIPS | 2021年 | [PUB] [PDF] |
| Delayed Gradient Averaging: Tolerate the Communication Latency for Federated Learning | 麻省理工学院；亚马逊;谷歌 | NeurIPS | 2021年 | [PUB] [PAGE] [SLIDE] |
| FedDR – Randomized Douglas-Rachford Splitting Algorithms for Nonconvex Federated Composite Optimization | University of North Carolina at Chapel Hill; IBM 研究中心 | NeurIPS | 2021年 | [PUB] [PDF] [CODE] |
| Federated Adversarial Domain Adaptation | BU；哥伦比亚大学；罗格斯大学 | ICLR | 2020年 | [PUB] [PDF] [CODE] |
| DBA: Distributed Backdoor Attacks against Federated Learning | ZJU; IBM 研究中心 | ICLR | 2020年 | [PUB] [CODE] |
| Fair Resource Allocation in Federated Learning | CMU;脸书人工智能 | ICLR | 2020年 | [PUB] [PDF] [CODE] |
| Federated Learning with Matched Averaging | University of Wisconsin-Madison; IBM 研究中心 | ICLR | 2020年 | [PUB] [PDF] [CODE] |
| Differentially Private Meta-Learning | 卡耐基梅隆大学 | ICLR | 2020年 | [PUB] [PDF] |
| Generative Models for Effective ML on Private, Decentralized Datasets | 谷歌 | ICLR | 2020年 | [PUB] [PDF] [CODE] |
| On the Convergence of FedAvg on Non-IID Data | 北京大学 | ICLR | 2020年 | [PUB] [PDF] [CODE] [解读] |
| FedBoost: A Communication-Efficient Algorithm for Federated Learning | 谷歌 | ICML | 2020年 | [PUB] [VIDEO] |
| FetchSGD: Communication-Efficient Federated Learning with Sketching | UC Berkeley;约翰·霍普金斯大学；亚马逊 | ICML | 2020年 | [PUB] [PDF] [VIDEO] [CODE] |
| SCAFFOLD: Stochastic Controlled Averaging for Federated Learning | EPFL;谷歌 | ICML | 2020年 | [PUB] [PDF] [VIDEO] [UC.] [解读] |
| 仅使用正标签的联邦学习 | 谷歌 | ICML | 2020年 | [PUB] [PDF] [VIDEO] |
| From Local SGD to Local Fixed-Point Methods for Federated Learning | Moscow Institute of Physics and Technology;阿卜杜拉国王科技大学 | ICML | 2020年 | [PUB] [PDF] [SLIDE] [VIDEO] |
| Acceleration for Compressed Gradient Descent in Distributed and Federated Optimization | 阿卜杜拉国王科技大学 | ICML | 2020年 | [PUB] [PDF] [SLIDE] [VIDEO] |
| Differentially-Private Federated Linear Bandits | 麻省理工学院 | NeurIPS | 2020年 | [PUB] [PDF] [CODE] |
| Federated Principal Component Analysis | University of Cambridge; Quine Technologies | NeurIPS | 2020年 | [PUB] [PDF] [CODE] |
| FedSplit: an algorithmic framework for fast federated optimization | 加州大学伯克利分校 | NeurIPS | 2020年 | [PUB] [PDF] |
| Federated Bayesian Optimization via Thompson Sampling | NUS;麻省理工学院 | NeurIPS | 2020年 | [PUB] [PDF] [CODE] |
| Lower Bounds and Optimal Algorithms for Personalized Federated Learning | 阿卜杜拉国王科技大学 | NeurIPS | 2020年 | [PUB] [PDF] |
| Robust Federated Learning: The Case of Affine Distribution Shifts | UC Santa Barbara;麻省理工学院 | 神经信息处理系统 | 2020年 | [PUB] [PDF] [CODE] |
| An Efficient Framework for Clustered Federated Learning | UC Berkeley;深度思维 | NeurIPS | 2020年 | [PUB] [PDF] [CODE] |
| Distributionally Robust Federated Averaging | 宾夕法尼亚州立大学 | NeurIPS | 2020年 | [PUB] [PDF] [CODE] |
| Personalized Federated Learning with Moreau Envelopes | 悉尼大学 | NeurIPS | 2020年 | [PUB] [PDF] [CODE] |
| Personalized Federated Learning with Theoretical Guarantees: A Model-Agnostic Meta-Learning Approach | 麻省理工学院；德克萨斯大学奥斯汀分校 | NeurIPS | 2020年 | [PUB] [PDF] [UC.] |
| Group Knowledge Transfer: Federated Learning of Large CNNs at the Edge | 南加州大学 | NeurIPS | 2020年 | [PUB] [PDF] [CODE] [解读] |
| Tackling the Objective Inconsistency Problem in Heterogeneous Federated Optimization | CMU;普林斯顿 | NeurIPS | 2020年 | [PUB] [PDF] [CODE] [UC.] |
| Attack of the Tails: Yes, You Really Can Backdoor Federated Learning | 威斯康星大学麦迪逊分校 | NeurIPS | 2020年 | [PUB] [PDF] |
| Federated Accelerated Stochastic Gradient Descent | 斯坦福大学 | NeurIPS | 2020年 | [PUB] [PDF] [CODE] [VIDEO] |
| Inverting Gradients - How easy is it to break privacy in federated learning? | 锡根大学 | NeurIPS | 2020年 | [PUB] [PDF] [CODE] |
| Ensemble Distillation for Robust Model Fusion in Federated Learning | 洛桑联邦理工学院 | 神经信息处理系统 | 2020年 | [PUB] [PDF] [CODE] |
| Throughput-Optimal Topology Design for Cross-Silo Federated Learning | 意大利国家工业协会 | NeurIPS | 2020年 | [PUB] [PDF] [CODE] |
| Bayesian Nonparametric Federated Learning of Neural Networks | 国际商业机器公司 | ICML | 2019年 | [PUB] [PDF] [CODE] |
| Analyzing Federated Learning through an Adversarial Lens | 普林斯顿；国际商业机器公司 | ICML | 2019年 | [PUB] [PDF] [CODE] |
| Agnostic Federated Learning | 谷歌 | ICML | 2019年 | [PUB] [PDF] |
| cpSGD: Communication-efficient and differentially-private distributed SGD | 普林斯顿；谷歌 | NeurIPS | 2018年 | [PUB] [PDF] |
| Federated Multi-Task Learning | 斯坦福大学； USC;卡耐基梅隆大学 | NeurIPS | 2017年 | [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).
| 标题 | 联系 | 场地 | 年 | 材料 |
|---|---|---|---|---|
| FedKDD: International Joint Workshop on Federated Learning for Data Mining and Graph Analytics | KDD Workshop | 2024年 | [PUB] | |
| Is Aggregation the Only Choice? Federated Learning via Layer-wise Model Recombination | 凯德 | 2024年 | [PUB] | |
| BadSampler: Harnessing the Power of Catastrophic Forgetting to Poison Byzantine-robust Federated Learning | 凯德 | 2024年 | [PUB] | |
| Federated Graph Learning with Structure Proxy Alignment | 凯德 | 2024年 | [PUB] | |
| HiFGL: A Hierarchical Framework for Cross-silo Cross-device Federated Graph Learning | 凯德 | 2024年 | [发布] | |
| FedSecurity: A Benchmark for Attacks and Defenses in Federated Learning and Federated LLMs | 凯德 | 2024年 | [PUB] | |
| Distributed Harmonization: Federated Clustered Batch Effect Adjustment and Generalization | 凯德 | 2024年 | [PUB] | |
| FederatedScope-LLM: A Comprehensive Package for Fine-tuning Large Language Models in Federated Learning | 凯德 | 2024年 | [PUB] | |
| On the Convergence of Zeroth-Order Federated Tuning for Large Language Models | 凯德 | 2024年 | [PUB] | |
| CASA: Clustered Federated Learning with Asynchronous Clients | 凯德 | 2024年 | [PUB] | |
| FLAIM: AIM-based Synthetic Data Generation in the Federated Setting | 凯德 | 2024年 | [PUB] | |
| Privacy-Preserving Federated Learning using Flower Framework | 凯德 | 2024年 | [PUB] | |
| FedSAC: Dynamic Submodel Allocation for Collaborative Fairness in Federated Learning | 凯德 | 2024年 | [PUB] | |
| FedNLR: Federated Learning with Neuron-wise Learning Rates | 凯德 | 2024年 | [PUB] | |
| FedBiOT：无需完整模型的联邦学习中的 LLM 局部微调 | 凯德 | 2024年 | [PUB] | |
| FLea: Addressing Data Scarcity and Label Skew in Federated Learning via Privacy-preserving Feature Augmentation | 凯德 | 2024年 | [PUB] | |
| Preventing Strategic Behaviors in Collaborative Inference for Vertical Federated Learning | 凯德 | 2024年 | [PUB] | |
| PeFAD: A Parameter-Efficient Federated Framework for Time Series Anomaly Detection | 凯德 | 2024年 | [PUB] | |
| FedRoLA：通过基于层的聚合来对抗模型中毒的鲁棒联合学习 | 凯德 | 2024年 | [PUB] | |
| FedGTP: Exploiting Inter-Client Spatial Dependency in Federated Graph-based Traffic Prediction | 凯德 | 2024年 | [PUB] | |
| OpenFedLLM: Training Large Language Models on Decentralized Private Data via Federated Learning | 凯德 | 2024年 | [PUB] | |
| Personalized Federated Continual Learning via Multi-Granularity Prompt | 凯德 | 2024年 | [PUB] | |
| Enabling Collaborative Test-Time Adaptation in Dynamic Environment via Federated Learning | 凯德 | 2024年 | [PUB] | |
| GPFedRec: Graph-Guided Personalization for Federated Recommendation | 凯德 | 2024年 | [PUB] | |
| Asynchronous Vertical Federated Learning for Kernelized AUC Maximization | 凯德 | 2024年 | [PUB] | |
| VertiMRF: Differentially Private Vertical Federated Data Synthesis | 凯德 | 2024年 | [PUB] | |
| User Consented Federated Recommender System Against Personalized Attribute Inference Attack | 香港科技大学 | WSDM | 2024年 | [PUB] [PDF] [CODE] |
| Guardian: Guarding against Gradient Leakage with Provable Defense for Federated Learning | 华东师范大学 | WSDM | 2024年 | [PUB] |
| Privacy Matters: Vertical Federated Linear Contextual Bandits for Privacy Protected Recommendation | 剑桥大学 | 凯德 | 2023年 | [PUB] [PDF] |
| FedDefender: Client-Side Attack-Tolerant Federated Learning | 韩国科学技术院 | 凯德 | 2023年 | [PUB] [PDF] [CODE] |
| FedAPEN: Personalized Cross-silo Federated Learning with Adaptability to Statistical Heterogeneity | 浙江大学 | 凯德 | 2023年 | [PUB] [CODE] |
| FedPseudo: Privacy-Preserving Pseudo Value-Based Deep Learning Models for Federated Survival Analysis | UMBC | 凯德 | 2023年 | [PUB] [PDF] |
| ShapleyFL: Robust Federated Learning Based on Shapley Value | 浙江大学 | 凯德 | 2023年 | [PUB] [CODE] |
| Federated Few-shot Learning | 弗吉尼亚大学 | 凯德 | 2023年 | [PUB] [PDF] [CODE] |
| Theoretical Convergence Guaranteed Resource-Adaptive Federated Learning with Mixed Heterogeneity | SDU | 凯德 | 2023年 | [PUB] |
| 具有参数传播的个性化联邦学习 | 伊利诺伊大学香槟分校 | 凯德 | 2023年 | [PUB] |
| Serverless Federated AUPRC Optimization for Multi-Party Collaborative Imbalanced Data Mining | 匹兹堡大学 | 凯德 | 2023年 | [PUB] [PDF] [CODE] |
| CriticalFL: A Critical Learning Periods Augmented Client Selection Framework for Efficient Federated Learning | SUNY-Binghamton University | 凯德 | 2023年 | [PUB] [PDF] |
| FLAMES2Graph: An Interpretable Federated Multivariate Time Series Classification Framework | L3S Research Center | 凯德 | 2023年 | [PUB] [PDF] |
| FedCP: Separating Feature Information for Personalized Federated Learning via Conditional Policy | SJTU | 凯德 | 2023年 | [PUB] [PDF] [CODE] |
| Navigating Alignment for Non-identical Client Class Sets: A Label Name-Anchored Federated Learning Framework | 加州大学圣地亚哥分校 | 凯德 | 2023年 | [PUB] [PDF] [CODE] |
| DM-PFL: Hitchhiking Generic Federated Learning for Efficient Shift-Robust Personalization | BUAA | 凯德 | 2023年 | [PUB] [CODE] |
| FS-REAL: Towards Real-World Cross-Device Federated Learning | 阿里巴巴集团 | 凯德 | 2023年 | [PUB] [PDF] |
| FedMultimodal: A Benchmark for Multimodal Federated Learning | 南加州大学 | 凯德 | 2023年 | [PUB] [PDF] [CODE] |
| PrivateRec: Differentially Private Model Training and Online Serving for Federated News Recommendation | 中国人民大学 | 凯德 | 2023年 | [PUB] [PDF] [NEWS] |
| Revisiting Personalized Federated Learning: Robustness Against Backdoor Attacks | HKUST;阿里巴巴集团 | 凯德 | 2023年 | [PUB] [PDF] [CODE] |
| UA-FedRec: Untargeted Attack on Federated News Recommendation | 中国科学技术大学 | 凯德 | 2023年 | [PUB] [PDF] [CODE] |
| International Workshop on Federated Learning for Distributed Data Mining | 密歇根州立大学 | KDD Workshop Summaries | 2023年 | [PUB] [PAGE] |
| Is Normalization Indispensable for Multi-domain Federated Learning? | KDD workshop | 2023年 | [PUB] | |
| Distributed Personalized Empirical Risk Minimization. | KDD workshop | 2023年 | [PUB] | |
| Once-for-All Federated Learning: Learning From and Deploying to Heterogeneous Clients. | KDD workshop | 2023年 | [PUB] | |
| SparseVFL: Communication-Efficient Vertical Federated Learning Based on Sparsification of Embeddings and Gradients. | KDD workshop | 2023年 | [PUB] | |
| Optimization of User Resources in Federated Learning for Urban Sensing Applications | KDD workshop | 2023年 | [PUB] | |
| FedLEGO: Enabling Heterogenous Model Cooperation via Brick Reassembly in Federated Learning. | KDD workshop | 2023年 | [PUB] | |
| Federated Graph Analytics with Differential Privacy. | KDD workshop | 2023年 | [PUB] | |
| Scaling Distributed Multi-task Reinforcement Learning with Experience Sharing. | KDD workshop | 2023年 | [PUB] | |
| Uncertainty Quantification in Federated Learning for Heterogeneous Health Data | KDD workshop | 2023年 | [PUB] | |
| A Systematic Evaluation of Federated Learning on Biomedical Natural Language Processing. | KDD workshop | 2023年 | [PUB] | |
| Taming Heterogeneity to Deal with Test-Time Shift in Federated Learning. | KDD workshop | 2023年 | [PUB] | |
| Federated Blood Supply Chain Demand Forecasting: A Case Study. | KDD workshop | 2023年 | [PUB] | |
| Stochastic Clustered Federated Learning. | KDD workshop | 2023年 | [PUB] | |
| A Privacy-Preserving Hybrid Federated Learning Framework for Financial Crime Detection. | KDD workshop | 2023年 | [PUB] | |
| Exploring the Efficacy of Data-Decoupled Federated Learning for Image Classification and Medical Imaging Analysis. | KDD workshop | 2023年 | [PUB] | |
| FedNoisy: A Federated Noisy Label Learning Benchmark | KDD workshop | 2023年 | [PUB] | |
| Asynchronous Decentralized Federated Lifelong Learning for Landmark Localization in Medical Imaging | KDD workshop | 2023年 | [PUB] | |
| Federated learning for competing risk analysis in healthcare. | KDD workshop | 2023年 | [PUB] | |
| Federated Threat Detection for Smart Home IoT rules. | KDD workshop | 2023年 | [PUB] | |
| Federated Unlearning for On-Device Recommendation | 昆士兰大学 | WSDM | 2023年 | [PUB] [PDF] |
| Collaboration Equilibrium in Federated Learning | 周四 | 凯德 | 2022年 | [PUB] [PDF] [CODE] |
| Connected Low-Loss Subspace Learning for a Personalization in Federated Learning | 蔚山国立科学技术学院 | 凯德 | 2022年 | [PUB] [PDF] [CODE] |
| FedMSplit: Correlation-Adaptive Federated Multi-Task Learning across Multimodal Split Networks | 弗吉尼亚大学 | 凯德 | 2022年 | [PUB] |
| Communication-Efficient Robust Federated Learning with Noisy Labels | 匹兹堡大学 | 凯德 | 2022年 | [PUB] [PDF] |
| FLDetector: Detecting Malicious Clients in Federated Learning via Checking Model-Updates Consistency | 中国科学技术大学 | 凯德 | 2022年 | [PUB] [PDF] [CODE] |
| Practical Lossless Federated Singular Vector Decomposition Over Billion-Scale Data | 香港科技大学 | 凯德 | 2022年 | [PUB] [PDF] [CODE] |
| FedWalk: Communication Efficient Federated Unsupervised Node Embedding with Differential Privacy | SJTU | 凯德 | 2022年 | [PUB] [PDF] |
| FederatedScope-GNN: Towards a Unified, Comprehensive and Efficient Platform for Federated Graph Learning | 阿里巴巴 | KDD (Best Paper Award) | 2022年 | [PUB] [PDF] [CODE] |
| Fed-LTD: Towards Cross-Platform Ride Hailing via Federated Learning to Dispatch | BUAA | 凯德 | 2022年 | [PUB] [PDF] [解读] |
| Felicitas: Federated Learning in Distributed Cross Device Collaborative Frameworks | 中国科学技术大学 | 凯德 | 2022年 | [PUB] [PDF] |
| No One Left Behind: Inclusive Federated Learning over Heterogeneous Devices | 中国人民大学 | 凯德 | 2022年 | [PUB] [PDF] |
| FedAttack: Effective and Covert Poisoning Attack on Federated Recommendation via Hard Sampling | 周四 | 凯德 | 2022年 | [PUB] [PDF] [CODE] |
| PipAttack: Poisoning Federated Recommender Systems for Manipulating Item Promotion | 昆士兰大学 | WSDM | 2022年 | [PUB] [PDF] |
| Fed2: Feature-Aligned Federated Learning | George Mason University;微软;马里兰大学 | 凯德 | 2021年 | [PUB] [PDF] |
| FedRS: Federated Learning with Restricted Softmax for Label Distribution Non-IID Data | 南京大学 | 凯德 | 2021年 | [PUB] [CODE] |
| Federated Adversarial Debiasing for Fair and Trasnferable Representations | 密歇根州立大学 | 凯德 | 2021年 | [PUB] [PAGE] [CODE] [SLIDE] |
| Cross-Node Federated Graph Neural Network for Spatio-Temporal Data Modeling | 南加州大学 | 凯德 | 2021年 | [PUB] [CODE] [解读] |
| AsySQN: Faster Vertical Federated Learning Algorithms with Better Computation Resource Utilization | Xidian University;JD Tech | 凯德 | 2021年 | [PUB] [PDF] |
| FLOP: Federated Learning on Medical Datasets using Partial Networks | 杜克大学 | 凯德 | 2021年 | [PUB] [PDF] [CODE] |
| A Practical Federated Learning Framework for Small Number of Stakeholders | 苏黎世联邦理工学院 | WSDM | 2021年 | [PUB] [CODE] |
| Federated Deep Knowledge Tracing | 中国科学技术大学 | WSDM | 2021年 | [PUB] [CODE] |
| FedFast: Going Beyond Average for Faster Training of Federated Recommender Systems | 都柏林大学学院 | 凯德 | 2020年 | [PUB] [VIDEO] |
| Federated Doubly Stochastic Kernel Learning for Vertically Partitioned Data | JD Tech | 凯德 | 2020年 | [PUB] [PDF] [VIDEO] |
| Federated Online Learning to Rank with Evolution Strategies | 脸书人工智能研究 | WSDM | 2019年 | [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).
| 标题 | 联系 | 场地 | 年 | 材料 |
|---|---|---|---|---|
| Byzantine-Robust Decentralized Federated Learning | CCS | 2024年 | [PUB] | |
| Not One Less: Exploring Interplay between User Profiles and Items in Untargeted Attacks against Federated Recommendation | CCS | 2024年 | [PUB] | |
| 具有记录级个性化差异隐私的跨孤岛联邦学习。 | CCS | 2024年 | [PUB] | |
| Samplable Anonymous Aggregation for Private Federated Data Analysis | CCS | 2024年 | [PUB] | |
| Camel: Communication-Efficient and Maliciously Secure Federated Learning in the Shuffle Model of Differential Privacy | CCS | 2024年 | [PUB] | |
| Distributed Backdoor Attacks on Federated Graph Learning and Certified Defenses | CCS | 2024年 | [PUB] | |
| Two-Tier Data Packing in RLWE-based Homomorphic Encryption for Secure Federated Learning. | CCS | 2024年 | [PUB] | |
| Poster: Protection against Source Inference Attacks in Federated Learning using Unary Encoding and Shuffling. | CCS | 2024年 | [PUB] | |
| Poster: End-to-End Privacy-Preserving Vertical Federated Learning using Private Cross-Organizational Data Collaboration. | CCS | 2024年 | [PUB] | |
| FP-Fed: Privacy-Preserving Federated Detection of Browser Fingerprinting | NDSS | 2024年 | [PUB] | |
| FreqFed: A Frequency Analysis-Based Approach for Mitigating Poisoning Attacks in Federated Learning | NDSS | 2024年 | [PUB] | |
| Automatic Adversarial Adaption for Stealthy Poisoning Attacks in Federated Learning | NDSS | 2024年 | [PUB] | |
| CrowdGuard: Federated Backdoor Detection in Federated Learning | NDSS | 2024年 | [PUB] | |
| 保护跨孤岛联邦学习中的标签分布 | 标准普尔 | 2024年 | [PUB] | |
| FLShield: A Validation Based Federated Learning Framework to Defend Against Poisoning Attacks | 标准普尔 | 2024年 | [PUB] | |
| BadVFL: Backdoor Attacks in Vertical Federated Learning | 标准普尔 | 2024年 | [PUB] | |
| SHERPA: Explainable Robust Algorithms for Privacy-Preserved Federated Learning in Future Networks to Defend Against Data Poisoning Attacks | 标准普尔 | 2024年 | [PUB] | |
| Loki: Large-scale Data Reconstruction Attack against Federated Learning through Model Manipulation | 标准普尔 | 2024年 | [PUB] | |
| Poster: Towards Privacy-Preserving Federated Recommendation via Synthetic Interactions. | S&P Workshop | 2024年 | [PUB] | |
| A Performance Analysis for Confidential Federated Learning. | S&P Workshop | 2024年 | [PUB] | |
| Turning Privacy-preserving Mechanisms against Federated Learning | 帕维亚大学 | CCS | 2023年 | [PUB] [PDF] |
| MESAS: Poisoning Defense for Federated Learning Resilient against Adaptive Attackers | 维尔茨堡大学 | CCS | 2023年 | [PUB] |
| martFL: Enabling Utility-Driven Data Marketplace with a Robust and Verifiable Federated Learning Architecture | 周四 | CCS | 2023年 | [PUB] [PDF] [CODE] |
| Unraveling the Connections between Privacy and Certified Robustness in Federated Learning Against Poisoning Attacks | 伊利诺伊大学香槟分校 | CCS | 2023年 | [PUB] [PDF] |
| Poster: Verifiable Data Valuation with Strong Fairness in Horizontal Federated Learning | 新中山大学 | CCS | 2023年 | [PUB] |
| Poster: Bridging Trust Gaps: Data Usage Transparency in Federated Data Ecosystems | 亚琛工业大学 | CCS | 2023年 | [PUB] |
| Every Vote Counts: Ranking-Based Training of Federated Learning to Resist Poisoning Attacks | 马萨诸塞大学阿默斯特分校 | USENIX 安全 | 2023年 | [PUB] [PDF] |
| PrivateFL: Accurate, Differentially Private Federated Learning via Personalized Data Transformation | 约翰霍普金斯大学 | USENIX 安全 | 2023年 | [PUB] [CODE] |
| Gradient Obfuscation Gives a False Sense of Security in Federated Learning | 北卡罗来纳州立大学 | USENIX 安全 | 2023年 | [PUB] [PDF] [CODE] |
| FedVal: Different good or different bad in federated learning | 瑞典人工智能 | USENIX 安全 | 2023年 | [PUB] [PDF] [CODE] |
| Securing Federated Sensitive Topic Classification against Poisoning Attacks | IMDEA Networks Institute | NDSS | 2023年 | [PUB] [PDF] [CODE] |
| PPA: Preference Profiling Attack Against Federated Learning | NJUST | NDSS | 2023年 | [PUB] [PDF] |
| Turning Privacy-preserving Mechanisms against Federated Learning | University of Pavia; TU Delft; University of Padua;拉德堡德大学 | CCS | 2023年 | [PUB] [PDF] [CODE] |
| CERBERUS：探索安全事件的联合预测 | UCL London | CCS | 2022年 | [PUB] [PDF] |
| EIFFeL: Ensuring Integrity for Federated Learning | 威斯康星大学麦迪逊分校 | CCS | 2022年 | [PUB] [PDF] |
| Eluding Secure Aggregation in Federated Learning via Model Inconsistency | SPRING Lab;洛桑联邦理工学院 | CCS | 2022年 | [PUB] [PDF] [CODE] |
| Federated Boosted Decision Trees with Differential Privacy | 华威大学 | CCS | 2022年 | [PUB] [PDF] [CODE] |
| FedRecover: Recovering from Poisoning Attacks in Federated Learning using Historical Information | 杜克大学 | 标准普尔 | 2023年 | [PUB] [PDF] |
| Scalable and Privacy-Preserving Federated Principal Component Analysis | EPFL; Tune Insight SA | 标准普尔 | 2023年 | [PUB] [PDF] |
| SafeFL: MPC-friendly Framework for Private and Robust Federated Learning | 达姆施塔特工业大学 | S&P Workshop | 2023年 | [PUB] |
| On the Pitfalls of Security Evaluation of Robust Federated Learning. | 乌马斯 | S&P Workshop | 2023年 | [PUB] |
| BayBFed: Bayesian Backdoor Defense for Federated Learning | TU Darmstadt; UTSA | 标准普尔 | 2023年 | [PUB] [PDF] |
| 3DFed: Adaptive and Extensible Framework for Covert Backdoor Attack in Federated Learning | 理大 | 标准普尔 | 2023年 | [PUB] [CODE] |
| RoFL: Robustness of Secure Federated Learning. | 苏黎世联邦理工学院 | 标准普尔 | 2023年 | [PUB] [PDF] [CODE] |
| Flamingo: Multi-Round Single-Server Secure Aggregation with Applications to Private Federated Learning. | 宾州大学 | 标准普尔 | 2023年 | [PUB] [CODE] |
| ELSA: Secure Aggregation for Federated Learning with Malicious Actors. | 标准普尔 | 2023年 | ||
| Private, Efficient, and Accurate: Protecting Models Trained by Multi-party Learning with Differential Privacy | 复旦大学 | 标准普尔 | 2023年 | [PUB] [PDF] |
| Back to the Drawing Board: A Critical Evaluation of Poisoning Attacks on Production Federated Learning | 马萨诸塞大学 | 标准普尔 | 2022年 | [PUB] [VIDEO] |
| SIMC: ML Inference Secure Against Malicious Clients at Semi-Honest Cost | 微软研究院 | USENIX 安全 | 2022年 | [PUB] [PDF] [CODE] [VIDEO] [SUPP] |
| Efficient Differentially Private Secure Aggregation for Federated Learning via Hardness of Learning with Errors | 佛蒙特大学 | USENIX 安全 | 2022年 | [PUB] [SLIDE] [VIDEO] |
| Label Inference Attacks Against Vertical Federated Learning | 浙江大学 | USENIX 安全 | 2022年 | [PUB] [SLIDE] [CODE] [VIDEO] |
| FLAME: Taming Backdoors in Federated Learning | 达姆施塔特工业大学 | USENIX 安全 | 2022年 | [PUB] [SLIDE] [PDF] [VIDEO] |
| Local and Central Differential Privacy for Robustness and Privacy in Federated Learning | 纽约州立大学布法罗分校 | NDSS | 2022年 | [PUB] [PDF] [VIDEO] [UC.] |
| Interpretable Federated Transformer Log Learning for Cloud Threat Forensics | 道成肉身大学 | NDSS | 2022年 | [PUB] [VIDEO] [UC.] |
| FedCRI: Federated Mobile Cyber-Risk Intelligence | 达姆施塔特工业大学 | NDSS | 2022年 | [PUB] [VIDEO] |
| DeepSight: Mitigating Backdoor Attacks in Federated Learning Through Deep Model Inspection | 达姆施塔特工业大学 | NDSS | 2022年 | [PUB] [PDF] [VIDEO] |
| Private Hierarchical Clustering in Federated Networks | 新加坡国立大学 | CCS | 2021年 | [PUB] [PDF] |
| FLTrust: Byzantine-robust Federated Learning via Trust Bootstrapping | 杜克大学 | NDSS | 2021年 | [PUB] [PDF] [CODE] [VIDEO] [SLIDE] |
| POSEIDON: Privacy-Preserving Federated Neural Network Learning | 洛桑联邦理工学院 | NDSS | 2021年 | [PUB] [VIDEO] |
| Manipulating the Byzantine: Optimizing Model Poisoning Attacks and Defenses for Federated Learning | 马萨诸塞大学阿默斯特分校 | NDSS | 2021年 | [PUB] [CODE] [VIDEO] |
| SAFELearn: Secure Aggregation for private FEderated Learning | 达姆施塔特工业大学 | S&P Workshop | 2021年 | [PUB] |
| Local Model Poisoning Attacks to Byzantine-Robust Federated Learning | 俄亥俄州立大学 | USENIX 安全 | 2020年 | [PUB] [PDF] [CODE] [VIDEO] [SLIDE] |
| A Reliable and Accountable Privacy-Preserving Federated Learning Framework using the Blockchain | 堪萨斯大学 | CCS (Poster) | 2019年 | [PUB] |
| IOTFLA : A Secured and Privacy-Preserving Smart Home Architecture Implementing Federated Learning | Université du Québéc á Montréal | S&P Workshop | 2019年 | [PUB] |
| Comprehensive Privacy Analysis of Deep Learning: Passive and Active White-box Inference Attacks against Centralized and Federated Learning | 马萨诸塞大学阿默斯特分校 | 标准普尔 | 2019年 | [PUB] [VIDEO] [SLIDE] [CODE] |
| Practical Secure Aggregation for Privacy Preserving Machine Learning | 谷歌 | CCS | 2017年 | [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).
| 标题 | 联系 | 场地 | 年 | 材料 |
|---|---|---|---|---|
| DualFed: Enjoying both Generalization and Personalization in Federated Learning via Hierachical Representations | 毫米 | 2024年 | [PUB] | |
| One-shot-but-not-degraded Federated Learning | 毫米 | 2024年 | [PUB] | |
| Overcoming Spatial-Temporal Catastrophic Forgetting for Federated Class-Incremental Learning | 毫米 | 2024年 | [PUB] | |
| FedDEO: Description-Enhanced One-Shot Federated Learning with Diffusion Models | 毫米 | 2024年 | [PUB] | |
| Decoupling General and Personalized Knowledge in Federated Learning via Additive and Low-rank Decomposition | 毫米 | 2024年 | [PUB] | |
| CoAst: Validation-Free Contribution Assessment for Federated Learning based on Cross-Round Valuation | 毫米 | 2024年 | [PUB] | |
| Spatio-temporal Heterogeneous Federated Learning for Time Series Classification with Multi-view Orthogonal Training | 毫米 | 2024年 | [PUB] | |
| FedEvalFair: A Privacy-Preserving and Statistically Grounded Federated Fairness Evaluation Framework | 毫米 | 2024年 | [PUB] | |
| One-Shot Sequential Federated Learning for Non-IID Data by Enhancing Local Model Diversity | 毫米 | 2024年 | [PUB] | |
| FedSLS: Exploring Federated Aggregation in Saliency Latent Space | 毫米 | 2024年 | [PUB] | |
| Cluster-driven Personalized Federated Recommendation with Interest-aware Graph Convolution Network for Multimedia | 毫米 | 2024年 | [PUB] | |
| FedBCGD: Communication-Efficient Accelerated Block Coordinate Gradient Descent for Federated Learning | 毫米 | 2024年 | [PUB] | |
| Federated Morozov Regularization for Shortcut Learning in Privacy Preserving Learning with Watermarked Image Data | 毫米 | 2024年 | [PUB] | |
| Cross-Modal Meta Consensus for Heterogeneous Federated Learning | 毫米 | 2024年 | [PUB] | |
| Masked Random Noise for Communication-Efficient Federated Learning | 毫米 | 2024年 | [PUB] | |
| Heterogeneity-Aware Federated Deep Multi-View Clustering towards Diverse Feature Representations | 毫米 | 2024年 | [PUB] | |
| Adaptive Hierarchical Aggregation for Federated Object Detection | 毫米 | 2024年 | [PUB] | |
| FedCAFE: Federated Cross-Modal Hashing with Adaptive Feature Enhancement | 毫米 | 2024年 | [PUB] | |
| Federated Fuzzy C-means with Schatten-p Norm Minimization | 毫米 | 2024年 | [PUB] | |
| Towards Effective Federated Graph Anomaly Detection via Self-boosted Knowledge Distillation | 毫米 | 2024年 | [PUB] | |
| Physics-Driven Spectrum-Consistent Federated Learning for Palmprint Verification | IJCV | 2024年 | [PUB] | |
| FedHide: Federated Learning by Hiding in the Neighbors | ECCV | 2024年 | [PUB] | |
| FedVAD：通过 GPT 驱动的语义蒸馏增强联合视频异常检测 | ECCV | 2024年 | [PUB] | |
| FedRA: A Random Allocation Strategy for Federated Tuning to Unleash the Power of Heterogeneous Clients | ECCV | 2024年 | [PUB] | |
| Pick-a-Back: Selective Device-to-Device Knowledge Transfer in Federated Continual Learning | ECCV | 2024年 | [PUB] | |
| Federated Learning with Local Openset Noisy Labels | ECCV | 2024年 | [PUB] | |
| FedTSA: A Cluster-Based Two-Stage Aggregation Method for Model-Heterogeneous Federated Learning. | ECCV | 2024年 | [PUB] | |
| Overcome Modal Bias in Multi-modal Federated Learning via Balanced Modality Selection | ECCV | 2024年 | [PUB] | |
| BAFFLE: A Baseline of Backpropagation-Free Federated Learning | ECCV | 2024年 | [PUB] | |
| PILoRA: Prototype Guided Incremental LoRA for Federated Class-Incremental Learning | ECCV | 2024年 | [PUB] | |
| Fisher Calibration for Backdoor-Robust Heterogeneous Federated Learning | ECCV | 2024年 | [PUB] | |
| Unlocking the Potential of Federated Learning: The Symphony of Dataset Distillation via Deep Generative Latents | ECCV | 2024年 | [PUB] | |
| FedHARM: Harmonizing Model Architectural Diversity in Federated Learning | ECCV | 2024年 | [PUB] | |
| SuperFedNAS: Cost-Efficient Federated Neural Architecture Search for On-device Inference. | ECCV | 2024年 | [PUB] | |
| Personalized Federated Domain-Incremental Learning Based on Adaptive Knowledge Matching. | ECCV | 2024年 | [PUB] | |
| Diffusion-Driven Data Replay: A Novel Approach to Combat Forgetting in Federated Class Continual Learning | ECCV | 2024年 | [PUB] | |
| Towards Multi-modal Transformers in Federated Learning | ECCV | 2024年 | [PUB] | |
| Local and Global Flatness for Federated Domain Generalization | ECCV | 2024年 | [PUB] | |
| Feature Diversification and Adaptation for Federated Domain Generalization | ECCV | 2024年 | [PUB] | |
| PFEDEDIT: Personalized Federated Learning via Automated Model Editing | ECCV | 2024年 | [PUB] | |
| FedHCA2: Towards Hetero-Client Federated Multi-Task Learning | SJTU | CVPR | 2024年 | [PUB] [SUPP] [PDF] [CODE] |
| Fair Federated Learning under Domain Skew with Local Consistency and Domain Diversity | 武汉大学 | CVPR | 2024年 | [PUB] [PDF] [CODE] |
| Think Twice Before Selection: Federated Evidential Active Learning for Medical Image Analysis with Domain Shifts | NWPU;香港科技大学 | CVPR | 2024年 | [PUB] [SUPP] [PDF] [CODE] |
| FedMef: Towards Memory-efficient Federated Dynamic Pruning | 香港中文大学 | CVPR | 2024年 | [PUB] [SUPP] [PDF] |
| Communication-Efficient Federated Learning with Accelerated Client Gradient | 首尔国立大学 | CVPR | 2024年 | [PUB] [SUPP] [PDF] [CODE] |
| 从防御者的角度改进联邦学习安全：同态加密数据空间的统一防御 | IITH | CVPR | 2024年 | [PUB] [SUPP] [CODE] |
| Adaptive Hyper-graph Aggregation for Modality-Agnostic Federated Learning | TJUT | CVPR | 2024年 | [PUB] [SUPP] [CODE] |
| Towards Efficient Replay in Federated Incremental Learning | 华中科技大学 | CVPR | 2024年 | [PUB] [SUPP] [PDF] |
| Mixed-Precision Quantization for Federated Learning on Resource-Constrained Heterogeneous Devices | UT | CVPR | 2024年 | [PUB] [SUPP] [PDF] |
| Data Valuation and Detections in Federated Learning | 新加坡国立大学 | CVPR | 2024年 | [PUB] [SUPP] [PDF] [CODE] |
| 个性化联邦学习的去中心化定向协作 | NJUST | CVPR | 2024年 | [PUB] [SUPP] [PDF] |
| Unlocking the Potential of Prompt-Tuning in Bridging Generalized and Personalized Federated Learning | 英属哥伦比亚大学 | CVPR | 2024年 | [PUB] [SUPP] [PDF] [CODE] |
| Global and Local Prompts Cooperation via Optimal Transport for Federated Learning | 上海科技大学 | CVPR | 2024年 | [PUB] [SUPP] [PDF] [CODE] |
| Rethinking the Representation in Federated Unsupervised Learning with Non-IID Data | 浙江大学 | CVPR | 2024年 | [PUB] [SUPP] [PDF] [CODE] |
| Relaxed Contrastive Learning for Federated Learning | 首尔国立大学 | CVPR | 2024年 | [PUB] [SUPP] [PDF] [CODE] |
| Leak and Learn: An Attacker's Cookbook to Train Using Leaked Data from Federated Learning | 普渡大学 | CVPR | 2024年 | [PUB] [SUPP] [PDF] [VIDEO] |
| Traceable Federated Continual Learning | BUPT | CVPR | 2024年 | [PUB] [SUPP] [CODE] |
| Federated Online Adaptation for Deep Stereo | 博洛尼亚大学 | CVPR | 2024年 | [PUB] [SUPP] [PDF] [CODE] [PAGE] [VIDEO] |
| Federated Generalized Category Discovery | UniTn | CVPR | 2024年 | [PUB] [SUPP] [PDF] [CODE] |
| Efficiently Assemble Normalization Layers and Regularization for Federated Domain Generalization | ND | CVPR | 2024年 | [PUB] [SUPP] [PDF] [CODE] |
| Text-Enhanced Data-free Approach for Federated Class-Incremental Learning | 莫纳什大学 | CVPR | 2024年 | [PUB] [SUPP] [PDF] [CODE] |
| PerAda: Parameter-Efficient Federated Learning Personalization with Generalization Guarantees | UIUC;英伟达 | CVPR | 2024年 | [PUB] [SUPP] [PDF] [CODE] |
| FedSOL: Stabilized Orthogonal Learning with Proximal Restrictions in Federated Learning | 韩国科学技术院 | CVPR | 2024年 | [PUB] [SUPP] [PDF] [CODE] |
| FedUV: Uniformity and Variance for Heterogeneous Federated Learning | 加州大学戴维斯分校 | CVPR | 2024年 | [PUB] [SUPP] [PDF] |
| FedAS: Bridging Inconsistency in Personalized Federated Learning | 武汉大学 | CVPR | 2024年 | [PUB] [CODE] |
| FedSelect: Personalized Federated Learning with Customized Selection of Parameters for Fine-Tuning | Lapis Labs | CVPR | 2024年 | [PUB] [SUPP] [PDF] [CODE] |
| Device-Wise Federated Network Pruning | 皮特 | CVPR | 2024年 | [PUB] [SUPP] |
| Byzantine-robust Decentralized Federated Learning via Dual-domain Clustering and Trust Bootstrapping | HNU; PolyU;空气研究系统 | CVPR | 2024年 | [PUB] [SUPP] |
| DiPrompT: Disentangled Prompt Tuning for Multiple Latent Domain Generalization in Federated Learning | HKUST;理大 | CVPR | 2024年 | [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年 | [PUB] [SUPP] [PDF] [CODE] [POSTER] [SLIDES] |
| An Aggregation-Free Federated Learning for Tackling Data Heterogeneity | A* STAR | CVPR | 2024年 | [PUB] [SUPP] [PDF] |
| FLHetBench: Benchmarking Device and State Heterogeneity in Federated Learning | BUAA;香港大学 | CVPR | 2024年 | [PUB] [SUPP] [CODE] [PAGE] [POSTER] [VIDEO] |
| Collaborative Visual Place Recognition through Federated Learning | CVPR workshop | 2024年 | [PUB] [SUPP] [PDF] | |
| FedProK: Trustworthy Federated Class-Incremental Learning via Prototypical Feature Knowledge Transfer | CVPR workshop | 2024年 | [PUB] [SUPP] [PDF] | |
| Federated Hyperparameter Optimization Through Reward-Based Strategies: Challenges and Insights | CVPR workshop | 2024年 | [PUB] | |
| On the Efficiency of Privacy Attacks in Federated Learning | CVPR workshop | 2024年 | [PUB] [PDF] | |
| FedCE: Personalized Federated Learning Method based on Clustering Ensembles | BJTU | 毫米 | 2023年 | [PUB] |
| FedVQA: Personalized Federated Visual Question Answering over Heterogeneous Scenes | 莱顿大学 | 毫米 | 2023年 | [PUB] |
| Towards Fast and Stable Federated Learning: Confronting Heterogeneity via Knowledge Anchor | 西安交通大学 | 毫米 | 2023年 | [PUB] [PDF] [CODE] |
| Federated Deep Multi-View Clustering with Global Self-Supervision | UESTC | 毫米 | 2023年 | [PUB] [PDF] |
| FedAA: Using Non-sensitive Modalities to Improve Federated Learning while Preserving Image Privacy | 浙江大学 | 毫米 | 2023年 | [PUB] |
| Prototype-guided Knowledge Transfer for Federated Unsupervised Cross-modal Hashing | SDNU | 毫米 | 2023年 | [PUB] [CODE] |
| Joint Local Relational Augmentation and Global Nash Equilibrium for Federated Learning with Non-IID Data | 浙江大学 | 毫米 | 2023年 | [PUB] [PDF] |
| FedCD: A Classifier Debiased Federated Learning Framework for Non-IID Data | BUPT | 毫米 | 2023年 | [PUB] |
| Federated Learning with Label-Masking Distillation | 中国科学院大学 | 毫米 | 2023年 | [PUB] [CODE] |
| Cross-Silo Prototypical Calibration for Federated Learning with Non-IID Data | SDU | 毫米 | 2023年 | [PUB] [PDF] [CODE] |
| A Four-Pronged Defense Against Byzantine Attacks in Federated Learning | 华中科技大学 | 毫米 | 2023年 | [PUB] [PDF] |
| Client-Adaptive Cross-Model Reconstruction Network for Modality-Incomplete Multimodal Federated Learning | CAS； Peng Cheng Laboratory;中国科学院大学 | 毫米 | 2023年 | [PUB] |
| FedGH: Heterogeneous Federated Learning with Generalized Global Header | NKU | 毫米 | 2023年 | [PUB] [PDF] [CODE] |
| Cuing Without Sharing: A Federated Cued Speech Recognition Framework via Mutual Knowledge Distillation | 香港中文大学 | 毫米 | 2023年 | [PUB] [PDF] [CODE] |
| AffectFAL: Federated Active Affective Computing with Non-IID Data | TJUT | 毫米 | 2023年 | [PUB] [CODE] |
| Improving Federated Person Re-Identification through Feature-Aware Proximity and Aggregation | SZU | 毫米 | 2023年 | [PUB] |
| Towards Attack-tolerant Federated Learning via Critical Parameter Analysis | 韩国科学技术院 | ICCV | 2023年 | [PUB] [PDF] [CODE] [SUPP] |
| Efficient Model Personalization in Federated Learning via Client-Specific Prompt Generation | NTU;英伟达 | ICCV | 2023年 | [PUB] [PDF] [SUPP] |
| Generative Gradient Inversion via Over-Parameterized Networks in Federated Learning | 新加坡科技星 | ICCV | 2023年 | [PUB] [CODE] [SUPP] |
| GPFL: Simultaneously Learning Global and Personalized Feature Information for Personalized Federated Learning | SJTU | ICCV | 2023年 | [PUB] [PDF] [CODE] [SUPP] |
| Workie-Talkie: Accelerating Federated Learning by Overlapping Computing and Communications via Contrastive Regularization | 休斯敦大学 | ICCV | 2023年 | [PUB] [SUPP] |
| PGFed: Personalize Each Client's Global Objective for Federated Learning | 匹兹堡大学 | ICCV | 2023年 | [PUB] [PDF] [CODE] [SUPP] |
| FedPerfix: Towards Partial Model Personalization of Vision Transformers in Federated Learning | 中佛罗里达大学 | ICCV | 2023年 | [PUB] [PDF] [CODE] [SUPP] |
| L-DAWA: Layer-wise Divergence Aware Weight Aggregation in Federated Self-Supervised Visual Representation Learning | TCL AI Lab | ICCV | 2023年 | [PUB] [PDF] [SUPP] |
| FedPD: Federated Open Set Recognition with Parameter Disentanglement | 香港城市大学 | ICCV | 2023年 | [PUB] [CODE] |
| TARGET: Federated Class-Continual Learning via Exemplar-Free Distillation | 苏黎世联邦理工学院；索尼人工智能 | ICCV | 2023年 | [PUB] [PDF] [CODE] |
| Towards Instance-adaptive Inference for Federated Learning | 新加坡科技星 | ICCV | 2023年 | [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年 | [PUB] [PDF] [CODE] |
| zPROBE: Zero Peek Robustness Checks for Federated Learning | 普渡大学 | ICCV | 2023年 | [PUB] [PDF] [SUPP] |
| ProtoFL: Unsupervised Federated Learning via Prototypical Distillation | KakaoBank Corp. | ICCV | 2023年 | [PUB] [PDF] |
| MAS: Towards Resource-Efficient Federated Multiple-Task Learning | 索尼人工智能 | ICCV | 2023年 | [PUB] [PDF] [CODE] [SUPP] |
| FSAR: Federated Skeleton-based Action Recognition with Adaptive Topology Structure and Knowledge Distillation | 北京大学 | ICCV | 2023年 | [PUB] [PDF] [SUPP] |
| When Do Curricula Work in Federated Learning? | 加州大学圣地亚哥分校 | ICCV | 2023年 | [PUB] [PDF] [SUPP] |
| Communication-Efficient Vertical Federated Learning with Limited Overlapping Samples | 杜克大学 | ICCV | 2023年 | [PUB] [PDF] [CODE] |
| Multi-Metrics Adaptively Identifies Backdoors in Federated Learning | SCUT | ICCV | 2023年 | [PUB] [PDF] [CODE] [SUPP] |
| No Fear of Classifier Biases: Neural Collapse Inspired Federated Learning with Synthetic and Fixed Classifier | 浙江大学 | ICCV | 2023年 | [PUB] [PDF] [CODE] [SUPP] |
| FRAug: Tackling Federated Learning with Non-IID Features via Representation Augmentation | 慕尼黑路德维希马克西米利安大学； Siemens Technology | ICCV | 2023年 | [PUB] [PDF] [SUPP] |
| Bold but Cautious: Unlocking the Potential of Personalized Federated Learning through Cautiously Aggressive Collaboration | BUAA | ICCV | 2023年 | [PUB] [PDF] [CODE] [SUPP] |
| Global Balanced Experts for Federated Long-Tailed Learning | 香港中文大学（深圳） | ICCV | 2023年 | [PUB] [CODE] [SUPP] |
| Knowledge-Aware Federated Active Learning with Non-IID Data | 悉尼大学 | ICCV | 2023年 | [PUB] [PDF] [CODE] [SUPP] |
| Enhancing Privacy Preservation in Federated Learning via Learning Rate Perturbation | BUPT | ICCV | 2023年 | [PUB] [SUPP] |
| Local or Global: Selective Knowledge Assimilation for Federated Learning with Limited Labels | 卡耐基梅隆大学 | ICCV | 2023年 | [PUB] [PDF] [SUPP] |
| Federated Learning Over Images: Vertical Decompositions and Pre-Trained Backbones Are Difficult to Beat | 莱斯大学 | ICCV | 2023年 | [PUB] [PDF] [CODE] [SUPP] |
| Robust Heterogeneous Federated Learning under Data Corruption | 武汉大学 | ICCV | 2023年 | [PUB] [CODE] [SUPP] |
| Personalized Semantics Excitation for Federated Image Classification | 杜兰大学 | ICCV | 2023年 | [PUB] [CODE] |
| Reducing Training Time in Cross-Silo Federated Learning Using Multigraph Topology | 爱奥兹 | ICCV | 2023年 | [PUB] [PDF] [CODE] [SUPP] |
| Window-based Model Averaging Improves Generalization in Heterogeneous Federated Learning. | Politecnico di Torino | ICCV workshop | 2023年 | [PUB] [PDF] |
| Experience Replay as an Effective Strategy for Optimizing Decentralized Federated Learning. | University of Catania | ICCV workshop | 2023年 | [PUB] |
| FedRCIL: Federated Knowledge Distillation for Representation based Contrastive Incremental Learning. | Centre for Research and Technology Hellas;西阿提卡大学 | ICCV workshop | 2023年 | [PUB] [CODE] |
| FedLID: Self-Supervised Federated Learning for Leveraging Limited Image Data. | Centre for Research and Technology Hellas;西阿提卡大学 | ICCV workshop | 2023年 | [PUB] |
| Rethinking Federated Learning With Domain Shift: A Prototype View | 武汉大学 | CVPR | 2023年 | [PUB] [CODE] |
| Class Balanced Adaptive Pseudo Labeling for Federated Semi-Supervised Learning | 华东师范大学 | CVPR | 2023年 | [PUB] [CODE] |
| DaFKD: Domain-Aware Federated Knowledge Distillation | 华中科技大学 | CVPR | 2023年 | [PUB] [CODE] |
| The Resource Problem of Using Linear Layer Leakage Attack in Federated Learning | 普渡大学 | CVPR | 2023年 | [PUB] [PDF] |
| FedSeg: Class-Heterogeneous Federated Learning for Semantic Segmentation | 浙江大学 | CVPR | 2023年 | [PUB] |
| On the Effectiveness of Partial Variance Reduction in Federated Learning With Heterogeneous Data | 数据传输单元 | CVPR | 2023年 | [PUB] [PDF] |
| Elastic Aggregation for Federated Optimization | 美团 | CVPR | 2023年 | [PUB] |
| FedDM: Iterative Distribution Matching for Communication-Efficient Federated Learning | 加州大学洛杉矶分校 | CVPR | 2023年 | [PUB] [PDF] |
| Adaptive Channel Sparsity for Federated Learning Under System Heterogeneity | 密歇根大学 | CVPR | 2023年 | [PUB] |
| ScaleFL: Resource-Adaptive Federated Learning With Heterogeneous Clients | GaTech | CVPR | 2023年 | [PUB] [CODE] |
| Reliable and Interpretable Personalized Federated Learning | TJU | CVPR | 2023年 | [PUB] |
| Federated Domain Generalization With Generalization Adjustment | SJTU | CVPR | 2023年 | [PUB] [CODE] |
| Make Landscape Flatter in Differentially Private Federated Learning | 周四 | CVPR | 2023年 | [PUB] [PDF] [CODE] |
| Confidence-Aware Personalized Federated Learning via Variational Expectation Maximization | 鲁汶大学 | CVPR | 2023年 | [PUB] [PDF] [CODE] |
| STDLens: Model Hijacking-Resilient Federated Learning for Object Detection | GaTech | CVPR | 2023年 | [PUB] [PDF] [CODE] |
| Re-Thinking Federated Active Learning Based on Inter-Class Diversity | 韩国科学技术院 | CVPR | 2023年 | [PUB] [PDF] [CODE] |
| Learning Federated Visual Prompt in Null Space for MRI Reconstruction | 新加坡科技星 | CVPR | 2023年 | [PUB] [PDF] [CODE] |
| 通过客户贡献估计进行公平联合医学图像分割 | 香港中文大学 | CVPR | 2023年 | [PUB] [PDF] [CODE] |
| Federated Learning With Data-Agnostic Distribution Fusion | 南京大学 | CVPR | 2023年 | [PUB] [CODE] |
| How To Prevent the Poor Performance Clients for Personalized Federated Learning? | 科罗拉多州立大学 | CVPR | 2023年 | [PUB] |
| GradMA: A Gradient-Memory-Based Accelerated Federated Learning With Alleviated Catastrophic Forgetting | 华东师范大学 | CVPR | 2023年 | [PUB] [PDF] [CODE] |
| Bias-Eliminating Augmentation Learning for Debiased Federated Learning | 南洋理工大学 | CVPR | 2023年 | [PUB] |
| Federated Incremental Semantic Segmentation | CAS；中国科学院大学 | CVPR | 2023年 | [PUB] [PDF] [CODE] |
| Asynchronous Federated Continual Learning | 帕多瓦大学 | CVPR workshop | 2023年 | [PUB] [PDF] [SILDES] [CODE] |
| Mixed Quantization Enabled Federated Learning To Tackle Gradient Inversion Attacks | UMBC | CVPR workshop | 2023年 | [PUB] [CODE] |
| OpenFed: A Comprehensive and Versatile Open-Source Federated Learning Framework | 美团 | CVPR workshop | 2023年 | [PUB] [PDF] [CODE] |
| Federated Learning in Non-IID Settings Aided by Differentially Private Synthetic Data | utexas | CVPR workshop | 2023年 | [PUB] [SUPP] [PDF] [CODE] |
| TimelyFL: Heterogeneity-Aware Asynchronous Federated Learning With Adaptive Partial Training | 南加州大学 | CVPR workshop | 2023年 | [PUB] [PDF] |
| Many-Task Federated Learning: A New Problem Setting and a Simple Baseline | utexas | CVPR workshop | 2023年 | [PUB] [CODE] |
| Confederated Learning: Going Beyond Centralization | CAS；中国科学院大学 | 毫米 | 2022年 | [PUB] |
| Few-Shot Model Agnostic Federated Learning | 武汉大学 | 毫米 | 2022年 | [PUB] [CODE] |
| Feeling Without Sharing: A Federated Video Emotion Recognition Framework Via Privacy-Agnostic Hybrid Aggregation | TJUT | 毫米 | 2022年 | [PUB] |
| FedLTN: Federated Learning for Sparse and Personalized Lottery Ticket Networks | ECCV | 2022年 | [PUB] [SUPP] | |
| Auto-FedRL: Federated Hyperparameter Optimization for Multi-Institutional Medical Image Segmentation | ECCV | 2022年 | [PUB] [SUPP] [PDF] [CODE] | |
| Improving Generalization in Federated Learning by Seeking Flat Minima | Politecnico di Torino | ECCV | 2022年 | [PUB] [SUPP] [PDF] [CODE] |
| AdaBest: Minimizing Client Drift in Federated Learning via Adaptive Bias Estimation | ECCV | 2022年 | [PUB] [SUPP] [PDF] [CODE] [PAGE] | |
| SphereFed: Hyperspherical Federated Learning | ECCV | 2022年 | [PUB] [SUPP] [PDF] | |
| Federated Self-Supervised Learning for Video Understanding | ECCV | 2022年 | [PUB] [PDF] [CODE] | |
| FedVLN: Privacy-Preserving Federated Vision-and-Language Navigation | ECCV | 2022年 | [PUB] [SUPP] [PDF] [CODE] | |
| Addressing Heterogeneity in Federated Learning via Distributional Transformation | ECCV | 2022年 | [PUB] [CODE] | |
| FedX: Unsupervised Federated Learning with Cross Knowledge Distillation | 韩国科学技术院 | ECCV | 2022年 | [PUB] [SUPP] [PDF] [CODE] |
| Personalizing Federated Medical Image Segmentation via Local Calibration | 厦门大学 | ECCV | 2022年 | [PUB] [SUPP] [PDF] [CODE] |
| ATPFL: Automatic Trajectory Prediction Model Design Under Federated Learning Framework | 打 | CVPR | 2022年 | [PUB] |
| Rethinking Architecture Design for Tackling Data Heterogeneity in Federated Learning | 斯坦福大学 | CVPR | 2022年 | [PUB] [SUPP] [PDF] [CODE] [VIDEO] |
| FedCorr: Multi-Stage Federated Learning for Label Noise Correction | 新加坡科技设计大学 | CVPR | 2022年 | [PUB] [SUPP] [PDF] [CODE] [VIDEO] |
| FedCor: Correlation-Based Active Client Selection Strategy for Heterogeneous Federated Learning | 杜克大学 | CVPR | 2022年 | [PUB] [SUPP] [PDF] |
| Layer-Wised Model Aggregation for Personalized Federated Learning | 理大 | CVPR | 2022年 | [PUB] [SUPP] [PDF] |
| Local Learning Matters: Rethinking Data Heterogeneity in Federated Learning | 中佛罗里达大学 | CVPR | 2022年 | [PUB] [SUPP] [PDF] [CODE] |
| Federated Learning With Position-Aware Neurons | 南京大学 | CVPR | 2022年 | [PUB] [SUPP] [PDF] |
| RSCFed: Random Sampling Consensus Federated Semi-Supervised Learning | 香港科技大学 | CVPR | 2022年 | [PUB] [SUPP] [PDF] [CODE] |
| Learn From Others and Be Yourself in Heterogeneous Federated Learning | 武汉大学 | CVPR | 2022年 | [PUB] [CODE] [VIDEO] |
| Robust Federated Learning With Noisy and Heterogeneous Clients | 武汉大学 | CVPR | 2022年 | [PUB] [SUPP] [CODE] |
| ResSFL: A Resistance Transfer Framework for Defending Model Inversion Attack in Split Federated Learning | 亚利桑那州立大学 | CVPR | 2022年 | [PUB] [SUPP] [PDF] [CODE] |
| FedDC: Federated Learning With Non-IID Data via Local Drift Decoupling and Correction | 国防科学技术大学 | CVPR | 2022年 | [PUB] [PDF] [CODE] [解读] |
| Federated Class-Incremental Learning | CAS； Northwestern University;悉尼科技大学 | CVPR | 2022年 | [PUB] [PDF] [CODE] |
| Fine-Tuning Global Model via Data-Free Knowledge Distillation for Non-IID Federated Learning | PKU; JD Explore Academy;悉尼大学 | CVPR | 2022年 | [PUB] [PDF] |
| Differentially Private Federated Learning With Local Regularization and Sparsification | 中科院 | CVPR | 2022年 | [PUB] [PDF] |
| Auditing Privacy Defenses in Federated Learning via Generative Gradient Leakage | University of Tennessee; Oak Ridge National Laboratory;谷歌研究 | CVPR | 2022年 | [PUB] [PDF] [CODE] [VIDEO] |
| CD2-pFed: Cyclic Distillation-Guided Channel Decoupling for Model Personalization in Federated Learning | SJTU | CVPR | 2022年 | [PUB] [PDF] |
| Closing the Generalization Gap of Cross-Silo Federated Medical Image Segmentation | 大学。匹兹堡；英伟达 | CVPR | 2022年 | [PUB] [PDF] |
| Adaptive Differential Filters for Fast and Communication-Efficient Federated Learning | 现代重工 | CVPR workshop | 2022年 | [PUB] [PDF] [SILDES] [VIDEO] |
| MPAF: Model Poisoning Attacks to Federated Learning Based on Fake Clients | 杜克大学 | CVPR workshop | 2022年 | [PUB] [PDF] [SILDES] [VIDEO] |
| Communication-Efficient Federated Data Augmentation on Non-IID Data | UESTC | CVPR workshop | 2022年 | [PUB] |
| Does Federated Dropout Actually Work? | 斯坦福大学 | CVPR workshop | 2022年 | [PUB] [VIDEO] |
| FedIris: Towards More Accurate and Privacy-preserving Iris Recognition via Federated Template Communication | 中国科学技术大学； CRIPAC; CASIA | CVPR workshop | 2022年 | [PUB] [SLIDES] [VIDEO] |
| Multi-Institutional Collaborations for Improving Deep Learning-Based Magnetic Resonance Image Reconstruction Using Federated Learning | 约翰霍普金斯大学 | CVPR | 2021年 | [PUB] [PDF] [CODE] |
| Model-Contrastive Federated Learning | NUS;加州大学伯克利分校 | CVPR | 2021年 | [PUB] [PDF] [CODE] [解读] |
| FedDG: Federated Domain Generalization on Medical Image Segmentation via Episodic Learning in Continuous Frequency Space | 香港中文大学 | CVPR | 2021年 | [PUB] [PDF] [CODE] |
| Soteria: Provable Defense Against Privacy Leakage in Federated Learning From Representation Perspective | 杜克大学 | CVPR | 2021年 | [PUB] [PDF] [CODE] |
| Federated Learning for Non-IID Data via Unified Feature Learning and Optimization Objective Alignment | 北京大学 | ICCV | 2021年 | [PUB] |
| Ensemble Attention Distillation for Privacy-Preserving Federated Learning | 布法罗大学 | ICCV | 2021年 | [PUB] [PDF] |
| Collaborative Unsupervised Visual Representation Learning from Decentralized Data | NTU;商汤科技 | ICCV | 2021年 | [PUB] [PDF] |
| Joint Optimization in Edge-Cloud Continuum for Federated Unsupervised Person Re-identification | 南洋理工大学 | 毫米 | 2021年 | [PUB] [PDF] |
| Federated Visual Classification with Real-World Data Distribution | 麻省理工学院；谷歌 | ECCV | 2020年 | [PUB] [PDF] [VIDEO] |
| InvisibleFL: Federated Learning over Non-Informative Intermediate Updates against Multimedia Privacy Leakages | 毫米 | 2020年 | [PUB] | |
Performance Optimization of Federated Person Re-identification via Benchmark Analysis data. | 南洋理工大学 | 毫米 | 2020年 | [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).
| 标题 | 联系 | 场地 | 年 | 材料 |
|---|---|---|---|---|
| A Hassle-free Algorithm for Strong Differential Privacy in Federated Learning Systems | EMNLP | 2024年 | [PUB] | |
| Safely Learning with Private Data: A Federated Learning Framework for Large Language Model | EMNLP | 2024年 | [PUB] | |
| FEDKIM: Adaptive Federated Knowledge Injection into Medical Foundation Models | EMNLP | 2024年 | [PUB] | |
| Fisher基于信息的高效课程联邦学习与大语言模型 | EMNLP | 2024年 | [PUB] | |
| Heterogeneous LoRA for Federated Fine-tuning of On-Device Foundation Models | EMNLP | 2024年 | [PUB] | |
| Promoting Data and Model Privacy in Federated Learning through Quantized LoRA | EMNLP 调查结果 | 2024年 | [PUB] | |
| Heterogeneous LoRA for Federated Fine-tuning of On-Device Foundation Models | EMNLP 调查结果 | 2024年 | [PUB] | |
| Generalizable Multilingual Hate Speech Detection on Low Resource Indian Languages using Fair Selection in Federated Learning | 全国AACL | 2024年 | [PUB] | |
| Open-Vocabulary Federated Learning with Multimodal Prototyping | 全国AACL | 2024年 | [PUB] | |
| Navigation as Attackers Wish? Towards Building Robust Embodied Agents under Federated Learning | 全国AACL | 2024年 | [PUB] | |
| FedLFC: Towards Efficient Federated Multilingual Modeling with LoRA-based Language Family Clustering. | NAACL Findings | 2024年 | [PUB] | |
| Personalized Federated Learning for Text Classification with Gradient-Free Prompt Tuning. | NAACL Findings | 2024年 | [PUB] | |
| Can Public Large Language Models Help Private Cross-device Federated Learning? | NAACL Findings | 2024年 | [PUB] | |
| Fair Federated Learning with Biased Vision-Language Models | ACL Findings | 2024年 | [PUB] | |
| Federated Learning of Large Language Models with Parameter-Efficient Prompt Tuning and Adaptive Optimization | 奥本大学 | EMNLP | 2023年 | [PUB] [PDF] [CODE] |
| Federated Meta-Learning for Emotion and Sentiment Aware Multi-modal Complaint Identification | 印度理工学院巴特那 | EMNLP | 2023年 | [PUB] [CODE] |
| FedID: Federated Interactive Distillation for Large-Scale Pretraining Language Models | YNU | EMNLP | 2023年 | [PUB] [CODE] |
| FedTherapist: Mental Health Monitoring with User-Generated Linguistic Expressions on Smartphones via Federated Learning | 韩国科学技术院 | EMNLP | 2023年 | [PUB] [PDF] |
| Coordinated Replay Sample Selection for Continual Federated Learning | 卡耐基梅隆大学 | EMNLP industry Track | 2023年 | [PUB] [PDF] |
| Tunable Soft Prompts are Messengers in Federated Learning | 中山大学 | EMNLP 调查结果 | 2023年 | [PUB] [PDF] [CODE] |
| Federated Learning for Semantic Parsing: Task Formulation, Evaluation Setup, New Algorithms | OSU | 前交叉韧带 | 2023年 | [PUB] [PDF] [CODE] |
| FEDLEGAL: The First Real-World Federated Learning Benchmark for Legal NLP | 打; Peng Cheng Lab | 前交叉韧带 | 2023年 | [PUB] [CODE] |
| Client-Customized Adaptation for Parameter-Efficient Federated Learning | ACL Findings | 2023年 | [PUB] | |
| Communication Efficient Federated Learning for Multilingual Neural Machine Translation with Adapter | ACL Findings | 2023年 | [PUB] [PDF] [CODE] | |
| Federated Domain Adaptation for Named Entity Recognition via Distilling with Heterogeneous Tag Sets | ACL Findings | 2023年 | [PUB] | |
| FedPETuning: When Federated Learning Meets the Parameter-Efficient Tuning Methods of Pre-trained Language Models | ACL Findings | 2023年 | [PUB] | |
| Federated Learning of Gboard Language Models with Differential Privacy | ACL Industry Track | 2023年 | [PUB] [PDF] | |
| 联邦学习中罕见嵌入和梯度集成的后门攻击 | 首尔国立大学 | EMNLP | 2022年 | [PUB] [PDF] |
| A Federated Approach to Predicting Emojis in Hindi Tweets | 阿尔伯塔大学 | EMNLP | 2022年 | [PUB] [PDF] [CODE] |
| Federated Model Decomposition with Private Vocabulary for Text Classification | 打; Peng Cheng Lab | EMNLP | 2022年 | [PUB] [CODE] |
| Fair NLP Models with Differentially Private Text Encoders | 大学。里尔 | EMNLP | 2022年 | [PUB] [PDF] [CODE] |
| Federated Continual Learning for Text Classification via Selective Inter-client Transfer | DRIMCo GmbH;慕尼黑大学 | EMNLP 调查结果 | 2022年 | [PUB] [PDF] [CODE] |
Efficient Federated Learning on Knowledge Graphs via Privacy-preserving Relation Embedding Aggregation kg. | 理海大学 | EMNLP 调查结果 | 2022年 | [PUB] [PDF] [CODE] |
| Dim-Krum: Backdoor-Resistant Federated Learning for NLP with Dimension-wise Krum-Based Aggregation | 北京大学 | EMNLP 调查结果 | 2022年 | [PUB] [PDF] |
| Scaling Language Model Size in Cross-Device Federated Learning | 谷歌 | ACL workshop | 2022年 | [PUB] [PDF] |
| Intrinsic Gradient Compression for Scalable and Efficient Federated Learning | 牛津 | ACL workshop | 2022年 | [PUB] [PDF] |
| ActPerFL: Active Personalized Federated Learning | 亚马逊 | ACL workshop | 2022年 | [PUB] [PAGE] |
| FedNLP: Benchmarking Federated Learning Methods for Natural Language Processing Tasks | 南加州大学 | 全国AACL | 2022年 | [PUB] [PDF] [CODE] |
| Federated Learning with Noisy User Feedback | USC;亚马逊 | 全国AACL | 2022年 | [PUB] [PDF] |
| Training Mixed-Domain Translation Models via Federated Learning | 亚马逊 | 全国AACL | 2022年 | [PUB] [PAGE] [PDF] |
| Pretrained Models for Multilingual Federated Learning | 约翰霍普金斯大学 | 全国AACL | 2022年 | [PUB] [PDF] [CODE] |
| Federated Chinese Word Segmentation with Global Character Associations | 华盛顿大学 | ACL workshop | 2021年 | [PUB] [CODE] |
| Efficient-FedRec: Efficient Federated Learning Framework for Privacy-Preserving News Recommendation | 中国科学技术大学 | EMNLP | 2021年 | [PUB] [PDF] [CODE] [VIDEO] |
| Improving Federated Learning for Aspect-based Sentiment Analysis via Topic Memories | CUHK (Shenzhen) | EMNLP | 2021年 | [PUB] [CODE] [VIDEO] |
| A Secure and Efficient Federated Learning Framework for NLP | 康涅狄格大学 | EMNLP | 2021年 | [PUB] [PDF] [VIDEO] |
| Distantly Supervised Relation Extraction in Federated Settings | 中国科学院大学 | EMNLP workshop | 2021年 | [PUB] [PDF] [CODE] |
| Federated Learning with Noisy User Feedback | USC;亚马逊 | NAACL workshop | 2021年 | [PUB] [PDF] |
| An Investigation towards Differentially Private Sequence Tagging in a Federated Framework | 汉堡大学 | NAACL workshop | 2021年 | [PUB] |
| Understanding Unintended Memorization in Language Models Under Federated Learning | 谷歌 | NAACL workshop | 2021年 | [PUB] [PDF] |
| FedED: Federated Learning via Ensemble Distillation for Medical Relation Extraction | 中科院 | EMNLP | 2020年 | [PUB] [VIDEO] [解读] |
| Empirical Studies of Institutional Federated Learning For Natural Language Processing | Ping An Technology | EMNLP workshop | 2020年 | [发布] |
| Federated Learning for Spoken Language Understanding | 北京大学 | 科林 | 2020年 | [PUB] |
| Two-stage Federated Phenotyping and Patient Representation Learning | Boston Children's Hospital Harvard Medical School | ACL workshop | 2019年 | [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).
| 标题 | 联系 | 场地 | 年 | 材料 |
|---|---|---|---|---|
| ReFer: Retrieval-Enhanced Vertical Federated Recommendation for Full Set User Benefit | 周四 | SIGIR | 2024年 | [PUB] |
| Revisit Targeted Model Poisoning on Federated Recommendation: Optimize via Multi-objective Transport | 浙江大学 | SIGIR | 2024年 | [PUB] |
| FeB4RAG: Evaluating Federated Search in the Context of Retrieval Augmented Generation | 昆士兰大学 | SIGIR | 2024年 | [PUB] [PDF] [CODE] |
| FedUD: Exploiting Unaligned Data for Cross-Platform Federated Click-Through Rate Prediction | 阿里巴巴集团 | SIGIR | 2024年 | [PUB] |
| Personalized Federated Relation Classification over Heterogeneous Texts | 国防科技大学 | SIGIR | 2023年 | [PUB] |
| Fine-Grained Preference-Aware Personalized Federated POI Recommendation with Data Sparsity | SDU | SIGIR | 2023年 | [PUB] |
| Manipulating Federated Recommender Systems: Poisoning with Synthetic Users and Its Countermeasures | 昆士兰大学 | SIGIR | 2023年 | [PUB] [PDF] |
| FedAds: A Benchmark for Privacy-Preserving CVR Estimation with Vertical Federated Learning | 阿里巴巴集团 | SIGIR | 2023年 | [PUB] [PDF] [CODE] |
| Edge-cloud Collaborative Learning with Federated and Centralized Features (short-paper) | 浙江大学 | SIGIR | 2023年 | [PUB] [PDF] |
| FLIRT: Federated Learning for Information Retrieval (extended-abstract) | IMT卢卡 | SIGIR | 2023年 | [PUB] |
| Is Non-IID Data a Threat in Federated Online Learning to Rank? | 昆士兰大学 | SIGIR | 2022年 | [PUB] [CODE] |
| FedCT: Federated Collaborative Transfer for Recommendation | 罗格斯大学 | SIGIR | 2021年 | [PUB] [PDF] [CODE] |
| On the Privacy of Federated Pipelines | 慕尼黑工业大学 | SIGIR | 2021年 | [PUB] |
| FedCMR: Federated Cross-Modal Retrieval. | 大连理工大学 | SIGIR | 2021年 | [PUB] [CODE] |
| Meta Matrix Factorization for Federated Rating Predictions. | SDU | SIGIR | 2020年 | [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).
| 标题 | 联系 | 场地 | 年 | 材料 |
|---|---|---|---|---|
| FedMix: Boosting with Data Mixture for Vertical Federated Learning | ICDE | 2024年 | [PUB] | |
| FedCross: Towards Accurate Federated Learning via Multi-Model Cross-Aggregation | ICDE | 2024年 | [PUB] | |
| Clients Help Clients: Alternating Collaboration for Semi-Supervised Federated Learning | ICDE | 2024年 | [PUB] | |
| Semi-Asynchronous Online Federated Crowdsourcing | ICDE | 2024年 | [PUB] | |
| AdaFGL: A New Paradigm for Federated Node Classification with Topology Heterogeneity | ICDE | 2024年 | [PUB] | |
| MergeSFL: Split Federated Learning with Feature Merging and Batch Size Regulation | ICDE | 2024年 | [PUB] | |
| LightTR: A Lightweight Framework for Federated Trajectory Recovery | ICDE | 2024年 | [PUB] | |
| Feed: Towards Personalization-Effective Federated Learning | ICDE | 2024年 | [PUB] | |
| Label Noise Correction for Federated Learning: A Secure, Efficient and Reliable Realization | ICDE | 2024年 | [PUB] | |
| Fast, Robust and Interpretable Participant Contribution Estimation for Federated Learning | ICDE | 2024年 | [PUB] | |
| HeteFedRec: Federated Recommender Systems with Model Heterogeneity | ICDE | 2024年 | [PUB] | |
| Hide Your Model: A Parameter Transmission-free Federated Recommender System | ICDE | 2024年 | [PUB] | |
| FedCTQ: A Federated-Based Framework for Accurate and Efficient Contact Tracing Query | ICDE | 2024年 | [PUB] | |
| Preventing the Popular Item Embedding Based Attack in Federated Recommendations | ICDE | 2024年 | [PUB] | |
| RobFL: Robust Federated Learning via Feature Center Separation and Malicious Center Detection | ICDE | 2024年 | [PUB] | |
| Federated Fine-Tuning of LLMs on the Very Edge: The Good, the Bad, the Ugly | 慕尼黑工业大学 | DEEM@SIGMOD | 2024年 | [PUB] |
| FedSQ: A Secure System for Federated Vector Similarity Queries | 超长数据库 | 2024年 | [PUB] | |
| FedSM: A Practical Federated Shared Mobility System | 超长数据库 | 2024年 | [PUB] | |
| OFL-W3: A One-Shot Federated Learning System on Web 3.0 | 超长数据库 | 2024年 | [PUB] | |
| Contributions Estimation in Federated Learning: A Comprehensive Experimental Evaluation | 超长数据库 | 2024年 | [PUB] | |
| OFL-W3: A One-shot Federated Learning System on Web 3.0 | 超长数据库 | 2024年 | [PUB] | |
| Uldp-FL: Federated Learning with Across Silo User-Level Differential Privacy. | 超长数据库 | 2024年 | [PUB] | |
| FedSM: A Practical Federated Shared Mobility System. | 超长数据库 | 2024年 | [PUB] | |
| FedSQ: A Secure System for Federated Vector Similarity Queries | 超长数据库 | 2024年 | [PUB] | |
| Performance-Based Pricing of Federated Learning via Auction | 阿里巴巴集团 | 超长数据库 | 2024年 | [PUB] [CODE] |
| A Blockchain System for Clustered Federated Learning with Peer-to-Peer Knowledge Transfer | 南京大学 | 超长数据库 | 2024年 | [PUB] [CODE] |
| Communication Efficient and Provable Federated Unlearning | SDU;阿卜杜拉国王科技大学 | 超长数据库 | 2024年 | [PUB] [PDF] [CODE] |
| Enhancing Decentralized Federated Learning for Non-IID Data on Heterogeneous Devices | 中国科学技术大学 | ICDE | 2023年 | [PUB] |
| Dynamic Activation of Clients and Parameters for Federated Learning over Heterogeneous Graphs | 哥伦比亚大学 | ICDE | 2023年 | [PUB] [CODE] |
| FedKNOW: Federated Continual Learning with Signature Task Knowledge Integration at Edge | 少量 | ICDE | 2023年 | [PUB] [PDF] |
| Lumos: Heterogeneity-aware Federated Graph Learning over Decentralized Devices | SJTU | ICDE | 2023年 | [PUB] [PDF] |
| Federated IoT Interaction Vulnerability Analysis | 密歇根州立大学 | ICDE | 2023年 | [PUB] |
| Distribution-Regularized Federated Learning on Non-IID Data | BUAA | ICDE | 2023年 | [PUB] |
| Fed-SC: One-Shot Federated Subspace Clustering over High-Dimensional Data | 上海科技大学 | ICDE | 2023年 | [PUB] [CODE] |
| FLBooster: A Unified and Efficient Platform for Federated Learning Acceleration | 浙江大学 | ICDE | 2023年 | [PUB] |
| FedGTA: Topology-aware Averaging for Federated Graph Learning. | 少量 | 超长数据库 | 2023年 | [PUB] [CODE] |
| FS-Real: A Real-World Cross-Device Federated Learning Platform. | 阿里巴巴集团 | 超长数据库 | 2023年 | [PUB] [PDF] [CODE] |
| Federated Calibration and Evaluation of Binary Classifiers. | 元 | 超长数据库 | 2023年 | [PUB] [PDF] [CODE] |
| Olive: Oblivious Federated Learning on Trusted Execution Environment Against the Risk of Sparsification. | 京都大学 | 超长数据库 | 2023年 | [PUB] [PDF] [CODE] |
| Falcon: A Privacy-Preserving and Interpretable Vertical Federated Learning System. | 新加坡国立大学 | 超长数据库 | 2023年 | [PUB] [CODE] |
| Differentially Private Vertical Federated Clustering. | 普渡大学 | 超长数据库 | 2023年 | [PUB] [PDF] [CODE] |
| FederatedScope: A Flexible Federated Learning Platform for Heterogeneity. | 阿里巴巴 | 超长数据库 | 2023年 | [PUB] [PDF] [CODE] |
| Secure Shapley Value for Cross-Silo Federated Learning. | 京都大学 | 超长数据库 | 2023年 | [PUB] [PDF] [CODE] |
| OpBoost: A Vertical Federated Tree Boosting Framework Based on Order-Preserving Desensitization | 浙江大学 | 超长数据库 | 2022年 | [PUB] [PDF] [CODE] |
| Skellam Mixture Mechanism: a Novel Approach to Federated Learning with Differential Privacy. | 新加坡国立大学 | VLDB | 2022年 | [PUB] [CODE] |
| Towards Communication-efficient Vertical Federated Learning Training via Cache-enabled Local Update | 北京大学 | VLDB | 2022年 | [PUB] [PDF] [CODE] |
| FedTSC: A Secure Federated Learning System for Interpretable Time Series Classification. | 打 | VLDB | 2022年 | [PUB] [CODE] |
| Improving Fairness for Data Valuation in Horizontal Federated Learning | The UBC | ICDE | 2022年 | [PUB] [PDF] |
| FedADMM: A Robust Federated Deep Learning Framework with Adaptivity to System Heterogeneity | 中国科学技术大学 | ICDE | 2022年 | [PUB] [PDF] [CODE] |
| FedMP: Federated Learning through Adaptive Model Pruning in Heterogeneous Edge Computing. | 中国科学技术大学 | ICDE | 2022年 | [PUB] |
| Federated Learning on Non-IID Data Silos: An Experimental Study. | 新加坡国立大学 | ICDE | 2022年 | [PUB] [PDF] [CODE] |
| Enhancing Federated Learning with Intelligent Model Migration in Heterogeneous Edge Computing | 中国科学技术大学 | ICDE | 2022年 | [PUB] |
| Samba: A System for Secure Federated Multi-Armed Bandits | 大学。 Clermont Auvergne | ICDE | 2022年 | [PUB] [CODE] |
| FedRecAttack: Model Poisoning Attack to Federated Recommendation | 浙江大学 | ICDE | 2022年 | [PUB] [PDF] [CODE] |
| Enhancing Federated Learning with In-Cloud Unlabeled Data | 中国科学技术大学 | ICDE | 2022年 | [PUB] |
| Efficient Participant Contribution Evaluation for Horizontal and Vertical Federated Learning | 中国科学技术大学 | ICDE | 2022年 | [PUB] |
| An Introduction to Federated Computation | University of Warwick; Facebook | SIGMOD Tutorial | 2022年 | [PUB] |
| BlindFL: Vertical Federated Machine Learning without Peeking into Your Data | PKU;腾讯 | SIGMOD | 2022年 | [PUB] [PDF] |
| An Efficient Approach for Cross-Silo Federated Learning to Rank | BUAA | ICDE | 2021年 | [PUB] [RELATED PAPER(ZH)] |
| Feature Inference Attack on Model Predictions in Vertical Federated Learning | 新加坡国立大学 | ICDE | 2021年 | [PUB] [PDF] [CODE] |
| Efficient Federated-Learning Model Debugging | 中国科学技术大学 | ICDE | 2021年 | [发布] |
| Federated Matrix Factorization with Privacy Guarantee | Purdue | VLDB | 2021年 | [PUB] |
| Projected Federated Averaging with Heterogeneous Differential Privacy. | 中国人民大学 | VLDB | 2021年 | [PUB] [CODE] |
| Enabling SQL-based Training Data Debugging for Federated Learning | 西蒙弗雷泽大学 | VLDB | 2021年 | [PUB] [PDF] [CODE] |
| Refiner: A Reliable Incentive-Driven Federated Learning System Powered by Blockchain | 浙江大学 | VLDB | 2021年 | [PUB] |
| Tanium Reveal: A Federated Search Engine for Querying Unstructured File Data on Large Enterprise Networks | Tanium Inc. | VLDB | 2021年 | [PUB] [VIDEO] |
| VF2Boost: Very Fast Vertical Federated Gradient Boosting for Cross-Enterprise Learning | 北京大学 | SIGMOD | 2021年 | [PUB] |
| ExDRa: Exploratory Data Science on Federated Raw Data | 西门子 | SIGMOD | 2021年 | [PUB] |
| Joint blockchain and federated learning-based offloading in harsh edge computing environments | TJU | SIGMOD workshop | 2021年 | [PUB] |
| Privacy Preserving Vertical Federated Learning for Tree-based Models | 新加坡国立大学 | VLDB | 2020年 | [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).
| 标题 | 联系 | 场地 | 年 | 材料 |
|---|---|---|---|---|
| Breaking Secure Aggregation: Label Leakage from Aggregated Gradients in Federated Learning | 信息通信公司 | 2024年 | [PUB] | |
| Strategic Data Revocation in Federated Unlearning | 信息通信公司 | 2024年 | [PUB] | |
| FedTC: Enabling Communication-Efficient Federated Learning via Transform Coding | 信息通信公司 | 2024年 | [PUB] | |
| Federated Learning While Providing Model as a Service: Joint Training and Inference Optimization | 信息通信公司 | 2024年 | [PUB] | |
| FairFed: Improving Fairness and Efficiency of Contribution Evaluation in Federated Learning via Cooperative Shapley Value | 信息通信公司 | 2024年 | [PUB] | |
| DPBalance: Efficient and Fair Privacy Budget Scheduling for Federated Learning as a Service | 信息通信公司 | 2024年 | [PUB] | |
| Tomtit: Hierarchical Federated Fine-Tuning of Giant Models based on Autonomous Synchronization | 信息通信公司 | 2024年 | [PUB] | |
| BR-DeFedRL: Byzantine-Robust Decentralized Federated Reinforcement Learning with Fast Convergence and Communication Efficiency | 信息通信公司 | 2024年 | [发布] | |
| Titanic: Towards Production Federated Learning with Large Language Models | 信息通信公司 | 2024年 | [PUB] | |
| Expediting In-Network Federated Learning by Voting-Based Consensus Model Compression | 信息通信公司 | 2024年 | [PUB] | |
| Fed-CVLC: Compressing Federated Learning Communications with Variable-Length Codes | 信息通信公司 | 2024年 | [PUB] | |
| Federated Analytics-Empowered Frequent Pattern Mining for Decentralized Web 3.0 Applications | 信息通信公司 | 2024年 | [PUB] | |
| GraphProxy: Communication-Efficient Federated Graph Learning with Adaptive Proxy | 信息通信公司 | 2024年 | [PUB] | |
| Agglomerative Federated Learning: Empowering Larger Model Training via End-Edge-Cloud Collaboration | 信息通信公司 | 2024年 | [PUB] [CODE] | |
| AeroRec: An Efficient On-Device Recommendation Framework using Federated Self-Supervised Knowledge Distillation | 信息通信公司 | 2024年 | [PUB] | |
| Efficient and Straggler-Resistant Homomorphic Encryption for Heterogeneous Federated Learning | 信息通信公司 | 2024年 | [PUB] | |
| Heroes: Lightweight Federated Learning with Neural Composition and Adaptive Local Update in Heterogeneous Edge Networks | 信息通信公司 | 2024年 | [PUB] | |
| Momentum-Based Federated Reinforcement Learning with Interaction and Communication Efficiency | 信息通信公司 | 2024年 | [PUB] | |
| Federated Offline Policy Optimization with Dual Regularization | 信息通信公司 | 2024年 | [发布] | |
| A Semi-Asynchronous Decentralized Federated Learning Framework via Tree-Graph Blockchain | 信息通信公司 | 2024年 | [PUB] | |
| SpreadFGL: Edge-Client Collaborative Federated Graph Learning with Adaptive Neighbor Generation | 信息通信公司 | 2024年 | [PUB] | |
| Towards Efficient Asynchronous Federated Learning in Heterogeneous Edge Environments | 信息通信公司 | 2024年 | [PUB] | |
| Federated Learning Based Integrated Sensing, Communications, and Powering Over 6G Massive-MIMO Mobile Networks | INFOCOM workshop | 2024年 | [PUB] | |
| Decentralized Federated Learning Under Free-riders: Credibility Analysis | INFOCOM workshop | 2024年 | [PUB] | |
| TrustBandit: Optimizing Client Selection for Robust Federated Learning Against Poisoning Attacks | INFOCOM workshop | 2024年 | [PUB] | |
| Cascade: Enhancing Reinforcement Learning with Curriculum Federated Learning and Interference Avoidance — A Case Study in Adaptive Bitrate Selection | INFOCOM workshop | 2024年 | [PUB] | |
| Efficient Adapting for Vision-language Foundation Model in Edge Computing Based on Personalized and Multi-Granularity Federated Learning | INFOCOM workshop | 2024年 | [PUB] | |
| Distributed Link Heterogeneity Exploitation for Attention-Weighted Robust Federated Learning in 6G Networks | INFOCOM workshop | 2024年 | [PUB] | |
| GAN-Based Privacy Abuse Attack on Federated Learning in IoT Networks | INFOCOM workshop | 2024年 | [PUB] | |
| Fedkit: Enabling Cross-Platform Federated Learning for Android and iOS | INFOCOM workshop | 2024年 | [PUB] [CODE] | |
| ASR-FED: Agnostic Straggler Resilient Federated Algorithm for Drone Networks Security | INFOCOM workshop | 2024年 | [PUB] | |
| Unbiased Federated Learning for Heterogeneous Data Under Unreliable Links | INFOCOM workshop | 2024年 | [PUB] | |
| Efficient Client Sampling with Compression in Heterogeneous Federated Learning | INFOCOM workshop | 2024年 | [PUB] | |
| Reputation-Aware Scheduling for Secure Internet of Drones: A Federated Multi-Agent Deep Reinforcement Learning Approach | INFOCOM workshop | 2024年 | [PUB] | |
| Two-Timescale Energy Optimization for Wireless Federated Learning | INFOCOM workshop | 2024年 | [PUB] | |
| A Data Reconstruction Attack Against Vertical Federated Learning Based on Knowledge Transfer | INFOCOM workshop | 2024年 | [PUB] | |
| Federated Learning for Energy-efficient Cooperative Perception in Connected and Autonomous Vehicles | INFOCOM workshop | 2024年 | [PUB] | |
| Federated Learning-Based Cooperative Model Training for Task-Oriented Semantic Communication | INFOCOM workshop | 2024年 | [PUB] | |
| FedBF16-Dynamic: Communication-Efficient Federated Learning with Adaptive Transmission | INFOCOM workshop | 2024年 | [PUB] | |
| Designing Robust 6G Networks with Bimodal Distribution for Decentralized Federated Learning | INFOCOM workshop | 2024年 | [PUB] | |
| Federated Distributed Deep Reinforcement Learning for Recommendation-enabled Edge Caching | INFOCOM workshop | 2024年 | [PUB] | |
| Joint Optimization of Charging Time and Resource Allocation in Wireless Power Transfer Assisted Federated Learning | INFOCOM workshop | 2024年 | [PUB] | |
| Joint Client Selection and Privacy Compensation for Differentially Private Federated Learning | INFOCOM workshop | 2024年 | [PUB] | |
| Wireless Hierarchical Federated Aggregation Weights Design with Loss-Based-Heterogeneity | INFOCOM workshop | 2024年 | [PUB] | |
| ADMarker: A Multi-Modal Federated Learning System for Monitoring Digital Biomarkers of Alzheimer's Disease | CUHK | MobiCom | 2024年 | [PUB] [PDF] [CODE] |
| Accelerating the Decentralized Federated Learning via Manipulating Edges | SZU | 万维网 | 2024年 | [PUB] |
| Prompt-enhanced Federated Content Representation Learning for Cross-domain Recommendation | SDNU | 万维网 | 2024年 | [PUB] [PDF] [CODE] |
| PAGE: Equilibrate Personalization and Generalization in Federated Learning | XDU | 万维网 | 2024年 | [PUB] [PDF] [CODE] |
| Federated Learning Vulnerabilities: Privacy Attacks with Denoising Diffusion Probabilistic Models | 华东师范大学 | 万维网 | 2024年 | [PUB] |
| Co-clustering for Federated Recommender System | 伊利诺伊大学香槟分校 | 万维网 | 2024年 | [PUB] |
| Incentive and Dynamic Client Selection for Federated Unlearning | BUPT | 万维网 | 2024年 | [PUB] |
| Towards Efficient Communication and Secure Federated Recommendation System via Low-rank Training | VinUniversity | 万维网 | 2024年 | [PUB] [PDF] [CODE] |
| BlockDFL: A Blockchain-based Fully Decentralized Peer-to-Peer Federated Learning Framework | 浙江大学 | 万维网 | 2024年 | [PUB] [PDF] |
| Towards Personalized Privacy: User-Governed Data Contribution for Federated Recommendation | 昆士兰大学 | 万维网 | 2024年 | [PUB] [PDF] |
| FedDSE: Distribution-aware Sub-model Extraction for Federated Learning over Resource-constrained Devices | 南洋理工大学 | 万维网 | 2024年 | [PUB] |
| Cardinality Counting in "Alcatraz": A Privacy-aware Federated Learning Approach | CSIRO's Data61 | 万维网 | 2024年 | [PUB] |
| Federated Heterogeneous Graph Neural Network for Privacy-preserving Recommendation | BUPT | 万维网 | 2024年 | [PUB] [PDF] |
| Poisoning Federated Recommender Systems with Fake Users | 中国科学技术大学 | 万维网 | 2024年 | [PUB] [PDF] |
| Towards Energy-efficient Federated Learning via INT8-based Training on Mobile DSPs | BUPT | 万维网 | 2024年 | [PUB] |
| Privacy-Preserving and Fairness-Aware Federated Learning for Critical Infrastructure Protection and Resilience | 悉尼科技大学 | 万维网 | 2024年 | [PUB] [CODE] |
| When Federated Recommendation Meets Cold-Start Problem: Separating Item Attributes and User Interactions | 吉林大学 | 万维网 | 2024年 | [PUB] [PDF] [CODE] |
| How Few Davids Improve One Goliath: Federated Learning in Resource-Skewed Edge Computing Environments | 加州大学圣地亚哥分校 | 万维网 | 2024年 | [PUB] [CODE] [VIDEO] |
| Poisoning Attack on Federated Knowledge Graph Embedding | 理大 | 万维网 | 2024年 | [PUB] [CODE] |
| FL@FM-TheWebConf'24: International Workshop on Federated Foundation Models for the Web | CUHK | WWW (Companion Volume) | 2024年 | [PUB] [PAGE] |
| An Investigation into the Feasibility of Performing Federated Learning on Social Linked Data Servers | 南安普顿大学 | WWW (Companion Volume) | 2024年 | [PUB] |
| Exploring Representational Similarity Analysis to Protect Federated Learning from Data Poisoning | 中山大学 | WWW (Companion Volume) | 2024年 | [PUB] |
| Only Send What You Need: Learning to Communicate Efficiently in Federated Multilingual Machine Translation | 普渡大学 | WWW (Companion Volume) | 2024年 | [PUB] [PDF] |
| FedHLT: Efficient Federated Low-Rank Adaption with Hierarchical Language Tree for Multilingual Modeling | CUHK | WWW (Companion Volume) | 2024年 | [PUB] |
| HBIAS FedAvg: Smooth Federated Learning Transition for In-use Edge Models | 个人所得税 | WWW (Companion Volume) | 2024年 | [PUB] |
| Phoenix: A Federated Generative Diffusion Model | 华盛顿大学 | WWW (Companion Volume) | 2024年 | [PUB] |
| Federated Learning in Large Model Era: Vision-Language Model for Smart City Safety Operation Management | ENN;统一产品代码 | WWW (Companion Volume) | 2024年 | [PUB] |
| Robust Federated Learning Mitigates Client-side Training Data Distribution Inference Attacks | 中国科学技术大学 | WWW (Companion Volume) | 2024年 | [PUB] [PDF] |
| GradFilt: Class-wise Targeted Data Reconstruction from Gradients in Federated Learning | 理大 | WWW (Companion Volume) | 2024年 | [PUB] |
| Detecting Poisoning Attacks on Federated Learning Using Gradient-Weighted Class Activation Mapping | 伊塞普 | WWW (Companion Volume) | 2024年 | [PUB] |
| AutoFed: Heterogeneity-Aware Federated Multimodal Learning for Robust Autonomous Driving | 南洋理工大学 | MobiCom | 2023年 | [PUB] [PDF] |
| Efficient Federated Learning for Modern NLP | Beiyou Shenzhen Institute | MobiCom | 2023年 | [PDF] [解读] |
| FLASH: Towards a High-performance Hardware Acceleration Architecture for Cross-silo Federated Learning | HKUST; Clustar | NSDI | 2023年 | [PUB] [SLIDE] [VIDEO] |
| To Store or Not? Online Data Selection for Federated Learning with Limited Storage. | SJTU | 万维网 | 2023年 | [PUB] [PDF] |
| pFedPrompt: Learning Personalized Prompt for Vision-Language Models in Federated Learning. | 理大 | 万维网 | 2023年 | [PUB] |
| Quantifying and Defending against Privacy Threats on Federated Knowledge Graph Embedding. | ZJU; HIC-ZJU | 万维网 | 2023年 | [PUB] [PDF] |
| Vertical Federated Knowledge Transfer via Representation Distillation for Healthcare Collaboration Networks | 北京大学 | 万维网 | 2023年 | [PUB] [PDF] [CODE] |
| Semi-decentralized Federated Ego Graph Learning for Recommendation | 南科大 | 万维网 | 2023年 | [PUB] [PDF] |
| FlexiFed: Personalized Federated Learning for Edge Clients with Heterogeneous Model Architectures. | 斯威本 | 万维网 | 2023年 | [PUB] [CODE] |
| FedEdge: Accelerating Edge-Assisted Federated Learning. | 斯威本 | 万维网 | 2023年 | [PUB] |
| Federated Node Classification over Graphs with Latent Link-type Heterogeneity. | 埃默里大学 | 万维网 | 2023年 | [PUB] [CODE] |
| FedACK: Federated Adversarial Contrastive Knowledge Distillation for Cross-Lingual and Cross-Model Social Bot Detection. | 中国科学技术大学 | 万维网 | 2023年 | [PUB] [PDF] [CODE] |
| Interaction-level Membership Inference Attack Against Federated Recommender Systems. | 昆士兰大学 | 万维网 | 2023年 | [PUB] [PDF] |
| AgrEvader: Poisoning Membership Inference against Byzantine-robust Federated Learning. | 迪肯大学 | 万维网 | 2023年 | [PUB] |
| Heterogeneous Federated Knowledge Graph Embedding Learning and Unlearning. | 南京大学 | 万维网 | 2023年 | [PUB] [PDF] [CODE] |
| Federated Learning for Metaverse: A Survey. | JNU | WWW (Companion Volume) | 2023年 | [PUB] [PDF] |
| Understanding the Impact of Label Skewness and Optimization on Federated Learning for Text Classification | 鲁汶大学 | WWW (Companion Volume) | 2023年 | [PUB] |
| Privacy-Preserving Online Content Moderation: A Federated Learning Use Case. | 切 | WWW (Companion Volume) | 2023年 | [PUB] [PDF] |
| Privacy-Preserving Online Content Moderation with Federated Learning. | 切 | WWW (Companion Volume) | 2023年 | [PUB] |
| A Federated Learning Benchmark for Drug-Target Interaction. | 都灵大学 | WWW (Companion Volume) | 2023年 | [PUB] [PDF] [CODE] |
| Towards a Decentralized Data Hub and Query System for Federated Dynamic Data Spaces. | 柏林工业大学 | WWW (Companion Volume) | 2023年 | [PUB] |
| 1st Workshop on Federated Learning Technologies1st Workshop on Federated Learning Technologies | 都灵大学 | WWW (Companion Volume) | 2023年 | [PUB] |
| A Survey of Trustworthy Federated Learning with Perspectives on Security, Robustness and Privacy | CUHK | WWW (Companion Volume) | 2023年 | [PUB] [PDF] |
| A Hierarchical Knowledge Transfer Framework for Heterogeneous Federated Learning | 星期四 | 信息通信公司 | 2023年 | [PUB] |
| A Reinforcement Learning Approach for Minimizing Job Completion Time in Clustered Federated Learning | 东南大学 | 信息通信公司 | 2023年 | [PUB] |
| Adaptive Configuration for Heterogeneous Participants in Decentralized Federated Learning | 中国科学技术大学 | 信息通信公司 | 2023年 | [PUB] [PDF] |
| AnycostFL: Efficient On-Demand Federated Learning over Heterogeneous Edge Devices | 广东工业大学 | 信息通信公司 | 2023年 | [PUB] [PDF] |
| AOCC-FL: Federated Learning with Aligned Overlapping via Calibrated Compensation | 华中科技大学 | 信息通信公司 | 2023年 | [PUB] |
| Asynchronous Federated Unlearning | 多伦多大学 | 信息通信公司 | 2023年 | [PUB] [PDF] [CODE] |
| Communication-Efficient Federated Learning for Heterogeneous Edge Devices Based on Adaptive Gradient Quantization | 电源供应器 | 信息通信公司 | 2023年 | [PUB] [PDF] |
| Enabling Communication-Efficient Federated Learning via Distributed Compressed Sensing | 北京航空航天大学 | 信息通信公司 | 2023年 | [PUB] |
| Federated Learning under Heterogeneous and Correlated Client Availability | 因里亚 | 信息通信公司 | 2023年 | [PUB] [PDF] [CODE] |
| Federated Learning with Flexible Control | 国际商业机器公司 | 信息通信公司 | 2023年 | [PUB] [PDF] [CODE] |
| Federated PCA on Grassmann Manifold for Anomaly Detection in IoT Networks | 悉尼大学 | 信息通信公司 | 2023年 | [PUB] [PDF] |
| FedMoS: Taming Client Drift in Federated Learning with Double Momentum and Adaptive Selection | 华中科技大学 | 信息通信公司 | 2023年 | [PUB] [PDF] [CODE] |
| FedSDG-FS: Efficient and Secure Feature Selection for Vertical Federated Learning | 南洋理工大学 | 信息通信公司 | 2023年 | [PUB] [PDF] |
| Heterogeneity-Aware Federated Learning with Adaptive Client Selection and Gradient Compression | 中国科学技术大学 | 信息通信公司 | 2023年 | |
| Joint Edge Aggregation and Association for Cost-Efficient Multi-Cell Federated Learning | 国防科技大学 | 信息通信公司 | 2023年 | [PUB] |
| Joint Participation Incentive and Network Pricing Design for Federated Learning | 西北大学 | 信息通信公司 | 2023年 | [PUB] |
| More than Enough is Too Much: Adaptive Defenses against Gradient Leakage in Production Federated Learning | 多伦多大学 | 信息通信公司 | 2023年 | [PUB] [PDF] [WEIBO] |
| Network Adaptive Federated Learning: Congestion and Lossy Compression | UTAustin | 信息通信公司 | 2023年 | [PUB] [PDF] |
| OBLIVION: Poisoning Federated Learning by Inducing Catastrophic Forgetting | 香港恒生大学 | 信息通信公司 | 2023年 | [PUB] [CODE] |
| Privacy as a Resource in Differentially Private Federated Learning | BUPT | 信息通信公司 | 2023年 | [PUB] |
| SplitGP: Achieving Both Generalization and Personalization in Federated Learning | 韩国科学技术院 | 信息通信公司 | 2023年 | [PUB] [PDF] |
| SVDFed: Enabling Communication-Efficient Federated Learning via Singular-Value-Decomposition | 北京航空航天大学 | 信息通信公司 | 2023年 | [PUB] |
| Tackling System Induced Bias in Federated Learning: Stratification and Convergence Analysis | 南方科技大学 | 信息通信公司 | 2023年 | [PUB] [PDF] |
| Toward Sustainable AI: Federated Learning Demand Response in Cloud-Edge Systems via Auctions | BUPT | 信息通信公司 | 2023年 | [PUB] [PDF] |
| Truthful Incentive Mechanism for Federated Learning with Crowdsourced Data Labeling | 奥本大学 | 信息通信公司 | 2023年 | [PUB] [PDF] |
| TVFL: Tunable Vertical Federated Learning towards Communication-Efficient Model Serving | 中国科学技术大学 | 信息通信公司 | 2023年 | [PUB] |
| PyramidFL: Fine-grained Data and System Heterogeneity-aware Client Selection for Efficient Federated Learning | 密歇根州立大学 | MobiCom | 2022年 | [PUB] [PDF] [CODE] |
| NestFL: efficient federated learning through progressive model pruning in heterogeneous edge computing | pmlabs | MobiCom(Poster) | 2022年 | [PUB] |
| Federated learning-based air quality prediction for smart cities using BGRU model | 国际贸易管理协会 | MobiCom(Poster) | 2022年 | [PUB] |
| FedHD: federated learning with hyperdimensional computing | 加州大学圣地亚哥分校 | MobiCom(Demo) | 2022年 | [PUB] [CODE] |
| Joint Superposition Coding and Training for Federated Learning over Multi-Width Neural Networks | 高丽大学 | 信息通信公司 | 2022年 | [PUB] |
| Towards Optimal Multi-Modal Federated Learning on Non-IID Data with Hierarchical Gradient Blending | 多伦多大学 | 信息通信公司 | 2022年 | [PUB] |
| Optimal Rate Adaption in Federated Learning with Compressed Communications | SZU | 信息通信公司 | 2022年 | [PUB] [PDF] |
| The Right to be Forgotten in Federated Learning: An Efficient Realization with Rapid Retraining. | 城大 | 信息通信公司 | 2022年 | [PUB] [PDF] |
| Tackling System and Statistical Heterogeneity for Federated Learning with Adaptive Client Sampling. | CUHK; AIRS ;Yale University | 信息通信公司 | 2022年 | [PUB] [PDF] |
| Communication-Efficient Device Scheduling for Federated Learning Using Stochastic Optimization | Army Research Laboratory, Adelphi | 信息通信公司 | 2022年 | [PUB] [PDF] |
| FLASH: Federated Learning for Automated Selection of High-band mmWave Sectors | 东北大学 | 信息通信公司 | 2022年 | [PUB] [CODE] |
| A Profit-Maximizing Model Marketplace with Differentially Private Federated Learning | CUHK;空气研究系统 | 信息通信公司 | 2022年 | [PUB] |
| Protect Privacy from Gradient Leakage Attack in Federated Learning | 理大 | 信息通信公司 | 2022年 | [PUB] [SLIDE] |
| FedFPM: A Unified Federated Analytics Framework for Collaborative Frequent Pattern Mining. | SJTU | 信息通信公司 | 2022年 | [PUB] [CODE] |
| An Accuracy-Lossless Perturbation Method for Defending Privacy Attacks in Federated Learning | SWJTU;THU | 万维网 | 2022年 | [PUB] [PDF] [CODE] |
| LocFedMix-SL: Localize, Federate, and Mix for Improved Scalability, Convergence, and Latency in Split Learning | 延世大学 | 万维网 | 2022年 | [PUB] |
| Federated Unlearning via Class-Discriminative Pruning | 理大 | 万维网 | 2022年 | [PUB] [PDF] [CODE] |
| FedKC: Federated Knowledge Composition for Multilingual Natural Language Understanding | Purdue | 万维网 | 2022年 | [PUB] |
| Powering Multi-Task Federated Learning with Competitive GPU Resource Sharing. | WWW (Companion Volume) | 2022年 | ||
| Federated Bandit: A Gossiping Approach | 加州大学 | 西格米特 | 2021年 | [PUB] [PDF] |
| Hermes: an efficient federated learning framework for heterogeneous mobile clients | 杜克大学 | MobiCom | 2021年 | [PUB] |
| Federated mobile sensing for activity recognition | Samsung AI Center | MobiCom | 2021年 | [PUB] [PAGE] [TALKS] [VIDEO] |
| Learning for Learning: Predictive Online Control of Federated Learning with Edge Provisioning. | 南京大学 | 信息通信公司 | 2021年 | [PUB] |
| Device Sampling for Heterogeneous Federated Learning: Theory, Algorithms, and Implementation. | Purdue | 信息通信公司 | 2021年 | [PUB] [PDF] |
| FAIR: Quality-Aware Federated Learning with Precise User Incentive and Model Aggregation | 星期四 | 信息通信公司 | 2021年 | [PUB] |
| Sample-level Data Selection for Federated Learning | 中国科学技术大学 | 信息通信公司 | 2021年 | [PUB] |
| To Talk or to Work: Flexible Communication Compression for Energy Efficient Federated Learning over Heterogeneous Mobile Edge Devices | Xidian University;中科院 | 信息通信公司 | 2021年 | [PUB] [PDF] |
| Cost-Effective Federated Learning Design | CUHK; AIRS;耶鲁大学 | 信息通信公司 | 2021年 | [PUB] [PDF] |
| An Incentive Mechanism for Cross-Silo Federated Learning: A Public Goods Perspective | The UBC | 信息通信公司 | 2021年 | [PUB] |
| Resource-Efficient Federated Learning with Hierarchical Aggregation in Edge Computing | 中国科学技术大学 | 信息通信公司 | 2021年 | [PUB] |
| FedServing: A Federated Prediction Serving Framework Based on Incentive Mechanism. | 暨南大学；城大 | 信息通信公司 | 2021年 | [PUB] [PDF] |
| Federated Learning over Wireless Networks: A Band-limited Coordinated Descent Approach | 亚利桑那州立大学 | 信息通信公司 | 2021年 | [PUB] [PDF] |
| Dual Attention-Based Federated Learning for Wireless Traffic Prediction | 阿卜杜拉国王科技大学 | 信息通信公司 | 2021年 | [PUB] [PDF] [CODE] |
| FedSens: A Federated Learning Approach for Smart Health Sensing with Class Imbalance in Resource Constrained Edge Computing | 圣母大学 | 信息通信公司 | 2021年 | [PUB] |
| P-FedAvg: Parallelizing Federated Learning with Theoretical Guarantees | SYSU; Guangdong Key Laboratory of Big Data Analysis and Processing | 信息通信公司 | 2021年 | [PUB] |
| Meta-HAR: Federated Representation Learning for Human Activity Recognition. | 阿尔伯塔大学 | 万维网 | 2021年 | [PUB] [PDF] [CODE] |
| PFA: Privacy-preserving Federated Adaptation for Effective Model Personalization | 北京大学 | 万维网 | 2021年 | [PUB] [PDF] [CODE] |
| Communication Efficient Federated Generalized Tensor Factorization for Collaborative Health Data Analytics | 埃默里 | 万维网 | 2021年 | [PUB] [CODE] |
| Hierarchical Personalized Federated Learning for User Modeling | 中国科学技术大学 | 万维网 | 2021年 | [PUB] |
| Characterizing Impacts of Heterogeneity in Federated Learning upon Large-Scale Smartphone Data | 北京大学 | 万维网 | 2021年 | [PUB] [PDF] [SLIDE] [CODE] |
| Incentive Mechanism for Horizontal Federated Learning Based on Reputation and Reverse Auction | 中山大学 | 万维网 | 2021年 | [PUB] |
| Physical-Layer Arithmetic for Federated Learning in Uplink MU-MIMO Enabled Wireless Networks. | 南京大学 | 信息通信公司 | 2020年 | [PUB] |
| Optimizing Federated Learning on Non-IID Data with Reinforcement Learning | 多伦多大学 | 信息通信公司 | 2020年 | [PUB] [SLIDE] [CODE] [解读] |
| Enabling Execution Assurance of Federated Learning at Untrusted Participants | 星期四 | 信息通信公司 | 2020年 | [PUB] [CODE] |
| Billion-scale federated learning on mobile clients: a submodel design with tunable privacy | SJTU | MobiCom | 2020年 | [PUB] |
| Federated Learning over Wireless Networks: Optimization Model Design and Analysis | 悉尼大学 | 信息通信公司 | 2019年 | [PUB] [CODE] |
| Beyond Inferring Class Representatives: User-Level Privacy Leakage From Federated Learning | 武汉大学 | 信息通信公司 | 2019年 | [PUB] [PDF] [UC.] |
| InPrivate Digging: Enabling Tree-based Distributed Data Mining with Differential Privacy | Collaborative Innovation Center of Geospatial Technology | 信息通信公司 | 2018年 | [发布] |
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).
| 标题 | 联系 | 场地 | 年 | 材料 |
|---|---|---|---|---|
| AdaptiveFL: Adaptive Heterogeneous Federated Learning for Resource-Constrained AIoT Systems. | 数模转换器 | 2024年 | [PUB] | |
| Fake Node-Based Perception Poisoning Attacks against Federated Object Detection Learning in Mobile Computing Networks | 数模转换器 | 2024年 | [PUB] | |
| Flagger: Cooperative Acceleration for Large-Scale Cross-Silo Federated Learning Aggregation | 伊斯卡 | 2024年 | [PUB] | |
| FedTrans: Efficient Federated Learning via Multi-Model Transformation | 伊利诺伊大学香槟分校 | ML系统 | 2024年 | [PUB] [PDF] |
| LIFL: A Lightweight, Event-driven Serverless Platform for Federated Learning | 加州大学河滨分校 | ML系统 | 2024年 | [PUB] [PDF] |
| HeteroSwitch: Characterizing and Taming System-Induced Data Heterogeneity in Federated Learning | 高丽大学 | ML系统 | 2024年 | [PUB] [PDF] [CODE] |
| DeTA: Minimizing Data Leaks in Federated Learning via Decentralized and Trustworthy Aggregation | IBM 研究中心 | EuroSys | 2024年 | [PUB] |
| FLOAT: Federated Learning Optimizations with Automated Tuning | 弗吉尼亚理工大学 | EuroSys | 2024年 | [PUB] [CODE] |
| Totoro: A Scalable Federated Learning Engine for the Edge | 加州大学圣路易斯分校 | EuroSys | 2024年 | [PUB] |
| Dordis: Efficient Federated Learning with Dropout-Resilient Differential Privacy | 香港科技大学 | EuroSys | 2024年 | [PUB] [PDF] [CODE] |
| FLIGAN: Enhancing Federated Learning with Incomplete Data using GAN | EuroSys workshop | 2024年 | [PUB] | |
| ALS Algorithm for Robust and Communication-Efficient Federated Learning | EuroSys workshop | 2024年 | [PUB] | |
| FedRDMA: Communication-Efficient Cross-Silo Federated LLM via Chunked RDMA Transmission. | EuroSys workshop | 2024年 | [PUB] | |
| Breaking the Memory Wall for Heterogeneous Federated Learning via Model Splitting. | TPDS | 2024年 | [PUB] | |
| SR-FDIL: Synergistic Replay for Federated Domain-Incremental Learning | TPDS | 2024年 | [PUB] | |
| FedVeca: Federated Vectorized Averaging on Non-IID Data With Adaptive Bi-Directional Global Objective | TPDS | 2024年 | [PUB] | |
| Trusted Model Aggregation With Zero-Knowledge Proofs in Federated Learning. | TPDS | 2024年 | [PUB] | |
| Accelerating Communication-Efficient Federated Multi-Task Learning With Personalization and Fairness. | TPDS | 2024年 | [PUB] | |
| Privacy-Preserving Data Selection for Horizontal and Vertical Federated Learning. | TPDS | 2024年 | [发布] | |
| High-Performance Hardware Acceleration Architecture for Cross-Silo Federated Learning | TPDS | 2024年 | [发布] | |
| Joint Participant and Learning Topology Selection for Federated Learning in Edge Clouds | TPDS | 2024年 | [发布] | |
| Synchronize Only the Immature Parameters: Communication-Efficient Federated Learning By Freezing Parameters Adaptively | SJTU | TPDS | 2024年 | [发布] |
| FedREM: Guided Federated Learning in the Presence of Dynamic Device Unpredictability | 中山大学 | TPDS | 2024年 | [发布] |
| Fed-RAC: Resource-Aware Clustering for Tackling Heterogeneity of Participants in Federated Learning | IITP | TPDS | 2024年 | [PUB] [PDF] |
| Taking Advantage of the Mistakes: Rethinking Clustered Federated Learning for IoT Anomaly Detection | UVIC | TPDS | 2024年 | [发布] |
| FedICT: Federated Multi-Task Distillation for Multi-Access Edge Computing | 中国科学院大学 | TPDS | 2024年 | [PUB] [PDF] |
| Collaboration in Federated Learning With Differential Privacy: A Stackelberg Game Analysis | 中山大学 | TPDS | 2024年 | [发布] |
| FAST: Enhancing Federated Learning Through Adaptive Data Sampling and Local Training | 中国科学技术大学 | TPDS | 2024年 | [发布] |
| EcoFed: Efficient Communication for DNN Partitioning-Based Federated Learning | 圣安德鲁斯大学 | TPDS | 2024年 | [PUB] [PDF] [CODE] |
| FedHAP: Federated Hashing With Global Prototypes for Cross-Silo Retrieval | 星期四 | TPDS | 2024年 | [PUB] [PDF] |
| FlexFL: Heterogeneous Federated Learning via APoZ-Guided Flexible Pruning in Uncertain Scenarios. | 计算机辅助设计 | 2024年 | [发布] | |
| Personalized Meta-Federated Learning for IoT-Enabled Health Monitoring | 计算机辅助设计 | 2024年 | [发布] | |
| NebulaFL: Self-Organizing Efficient Multilayer Federated Learning Framework With Adaptive Load Tuning in Heterogeneous Edge Systems | 计算机辅助设计 | 2024年 | [发布] | |
| CaBaFL: Asynchronous Federated Learning via Hierarchical Cache and Feature Balance | 计算机辅助设计 | 2024年 | [发布] | |
| FedStar: Efficient Federated Learning on Heterogeneous Communication Networks | 中国科学技术大学 | 计算机辅助设计 | 2024年 | [发布] |
| Lithography Hotspot Detection Based on Heterogeneous Federated Learning With Local Adaptation and Feature Selection | 浙江大学 | 计算机辅助设计 | 2024年 | [PUB] [PDF] |
| FedComp: A Federated Learning Compression Framework for Resource-Constrained Edge Computing Devices | 打 | 计算机辅助设计 | 2024年 | [发布] |
| BSR-FL：高效的拜占庭式鲁棒隐私保护联邦学习框架 | TC | 2024年 | [发布] | |
| User-Distribution-Aware Federated Learning for Efficient Communication and Fast Inference | ECNU;舒 | TC | 2024年 | [发布] |
| FedRFQ: Prototype-Based Federated Learning With Reduced Redundancy, Minimal Failure, and Enhanced Quality | SDU | TC | 2024年 | [PUB] [PDF] |
| Value of Information: A Comprehensive Metric for Client Selection in Federated Edge Learning | SDU | TC | 2024年 | [发布] |
| Age-Aware Data Selection and Aggregator Placement for Timely Federated Continual Learning in Mobile Edge Computing | DLUT | TC | 2024年 | [发布] |
| FedGKD: Toward Heterogeneous Federated Learning via Global Knowledge Distillation | 华中科技大学 | TC | 2024年 | [PUB] [PDF] |
| Digital Twin-Assisted Federated Learning Service Provisioning Over Mobile Edge Networks | SDU | TC | 2024年 | [发布] |
| REFL: Resource-Efficient Federated Learning | QMUL | EuroSys | 2023年 | [PUB] [PDF] [CODE] |
| A First Look at the Impact of Distillation Hyper-Parameters in Federated Knowledge Distillation | EuroSys workshop | 2023年 | [发布] | |
| Towards Practical Few-shot Federated NLP | EuroSys workshop | 2023年 | [发布] | |
| Can Fair Federated Learning Reduce the need for Personalisation? | EuroSys workshop | 2023年 | [发布] | |
| Gradient-less Federated Gradient Boosting Tree with Learnable Learning Rates | EuroSys workshop | 2023年 | [发布] | |
| Towards Robust and Bias-free Federated Learning | EuroSys workshop | 2023年 | [发布] | |
| FedTree: A Federated Learning System For Trees | 加州大学伯克利分校 | ML系统 | 2023年 | [PUB] [CODE] |
| FLINT: A Platform for Federated Learning Integration | 领英 | ML系统 | 2023年 | [PUB] [PDF] |
| On Noisy Evaluation in Federated Hyperparameter Tuning | 卡耐基梅隆大学 | ML系统 | 2023年 | [PUB] [PDF] [CODE] |
| GlueFL: Reconciling Client Sampling and Model Masking for Bandwidth Efficient Federated Learning | 英属哥伦比亚大学 | ML系统 | 2023年 | [PUB] [PDF] [CODE] |
| Self-Supervised On-Device Federated Learning From Unlabeled Streams. | 佛得角 | 计算机辅助设计 | 2023年 | [PUB] [PDF] |
| Optimizing Training Efficiency and Cost of Hierarchical Federated Learning in Heterogeneous Mobile-Edge Cloud Computing | 华东师范大学 | 计算机辅助设计 | 2023年 | [发布] |
| Lightweight Blockchain-Empowered Secure and Efficient Federated Edge Learning | 埃克塞特大学 | TC | 2023年 | [发布] |
| Towards Data-Independent Knowledge Transfer in Model-Heterogeneous Federated Learning | 理大 | TC | 2023年 | [发布] |
| A New Federated Scheduling Algorithm for Arbitrary-Deadline DAG Tasks | NEFU | TC | 2023年 | [发布] |
| Privacy-Enhanced Decentralized Federated Learning at Dynamic Edge | SDU | TC | 2023年 | [发布] |
| Byzantine-Resilient Federated Learning at Edge | SDU | TC | 2023年 | [PUB] [PDF] |
| PrivAim: A Dual-Privacy Preserving and Quality-Aware Incentive Mechanism for Federated Learning | 科罗拉多州立大学 | TC | 2023年 | [发布] |
| Accelerating Federated Learning With a Global Biased Optimiser | 埃克塞特大学 | TC | 2023年 | [PUB] [PDF] [CODE] |
| Type-Aware Federated Scheduling for Typed DAG Tasks on Heterogeneous Multicore Platforms | 多特蒙德工业大学 | TC | 2023年 | [PUB] [CODE] |
| Sandbox Computing: A Data Privacy Trusted Sharing Paradigm Via Blockchain and Federated Learning. | BUPT | TC | 2023年 | [发布] |
| CHEESE: Distributed Clustering-Based Hybrid Federated Split Learning Over Edge Networks | 苏达 | TPDS | 2023年 | [发布] |
| Hierarchical Federated Learning With Momentum Acceleration in Multi-Tier Networks | 悉尼大学 | TPDS | 2023年 | [PUB] [PDF] |
| Dap-FL: Federated Learning Flourishes by Adaptive Tuning and Secure Aggregation | Xidian University | TPDS | 2023年 | [PUB] [PDF] [CODE] |
| Collaborative Intrusion Detection System for SDVN: A Fairness Federated Deep Learning Approach | 安徽大学 | TPDS | 2023年 | [发布] |
| Energy-Aware, Device-to-Device Assisted Federated Learning in Edge Computing | 澳大利亚国立大学 | TPDS | 2023年 | [发布] |
| Faster Federated Learning With Decaying Number of Local SGD Steps | 埃克塞特大学 | TPDS | 2023年 | [PUB] [PDF] [CODE] |
| DRFL: Federated Learning in Diabetic Retinopathy Grading Using Fundus Images | 国立硅炭技术学院 | TPDS | 2023年 | [发布] |
| FedProf: Selective Federated Learning Based on Distributional Representation Profiling | 鹏程实验室 | TPDS | 2023年 | [PUB] [PDF] [UC] |
| Federated Ensemble Model-Based Reinforcement Learning in Edge Computing | 埃克塞特大学 | TPDS | 2023年 | [PUB] [PDF] |
| Incentive Mechanism Design for Joint Resource Allocation in Blockchain-Based Federated Learning. | IUPUI | TPDS | 2023年 | [PUB] [PDF] |
| HiFlash: Communication-Efficient Hierarchical Federated Learning With Adaptive Staleness Control and Heterogeneity-Aware Client-Edge Association. | 中山大学 | TPDS | 2023年 | [PUB] [PDF] |
| From Deterioration to Acceleration: A Calibration Approach to Rehabilitating Step Asynchronism in Federated Optimization. | 理大 | TPDS | 2023年 | [PUB] [PDF] [CODE] |
| Federated Learning Over Coupled Graphs | 西安交通大学 | TPDS | 2023年 | [PUB] [PDF] |
| Privacy vs. Efficiency: Achieving Both Through Adaptive Hierarchical Federated Learning | 国防科技大学 | TPDS | 2023年 | [发布] |
| On Model Transmission Strategies in Federated Learning With Lossy Communications | SZU | TPDS | 2023年 | [发布] |
| Scheduling Algorithms for Federated Learning With Minimal Energy Consumption | University of Bordeaux | TPDS | 2023年 | [PUB] [PDF] [CODE] |
| Auction-Based Cluster Federated Learning in Mobile Edge Computing Systems | 打 | TPDS | 2023年 | [PUB] [PDF] |
| Personalized Edge Intelligence via Federated Self-Knowledge Distillation. | 华中科技大学 | TPDS | 2023年 | [PUB] [CODE] |
| Design of a Quantization-Based DNN Delta Compression Framework for Model Snapshots and Federated Learning. | 打 | TPDS | 2023年 | [发布] |
| Multi-Job Intelligent Scheduling With Cross-Device Federated Learning. | 百度 | TPDS | 2023年 | [PUB] [PDF] |
| Data-Centric Client Selection for Federated Learning Over Distributed Edge Networks. | 个人所得税 | TPDS | 2023年 | [发布] |
| GossipFL: A Decentralized Federated Learning Framework With Sparsified and Adaptive Communication. | 浸大 | TPDS | 2023年 | [发布] |
| FedMDS: An Efficient Model Discrepancy-Aware Semi-Asynchronous Clustered Federated Learning Framework. | CQU | TPDS | 2023年 | [发布] |
| HierFedML: Aggregator Placement and UE Assignment for Hierarchical Federated Learning in Mobile Edge Computing. | 被测器件 | TPDS | 2023年 | [发布] |
| Data selection for efficient model update in federated learning | EuroSys workshop | 2022年 | [发布] | |
| 异构环境下联邦学习的实证分析 | EuroSys workshop | 2022年 | [发布] | |
| BAFL: A Blockchain-Based Asynchronous Federated Learning Framework | TC | 2022年 | [PUB] [CODE] | |
| L4L: Experience-Driven Computational Resource Control in Federated Learning | TC | 2022年 | [发布] | |
| Adaptive Federated Learning on Non-IID Data With Resource Constraint | TC | 2022年 | [发布] | |
| Locking Protocols for Parallel Real-Time Tasks With Semaphores Under Federated Scheduling. | 计算机辅助设计 | 2022年 | [发布] | |
| Client Scheduling and Resource Management for Efficient Training in Heterogeneous IoT-Edge Federated Learning | 华东师范大学 | 计算机辅助设计 | 2022年 | [发布] |
| PervasiveFL: Pervasive Federated Learning for Heterogeneous IoT Systems. | 华东师范大学 | 计算机辅助设计 | 2022年 | [发布] |
| FHDnn: communication efficient and robust federated learning for AIoT networks | 加州大学圣地亚哥分校 | 数模转换器 | 2022年 | [发布] |
| A Decentralized Federated Learning Framework via Committee Mechanism With Convergence Guarantee | 中山大学 | TPDS | 2022年 | [PUB] [PDF] |
| Improving Federated Learning With Quality-Aware User Incentive and Auto-Weighted Model Aggregation | 星期四 | TPDS | 2022年 | [发布] |
| $f$funcX: Federated Function as a Service for Science. | 南科大 | TPDS | 2022年 | [PUB] [PDF] |
| Blockchain Assisted Decentralized Federated Learning (BLADE-FL): Performance Analysis and Resource Allocation | 南京科技大学 | TPDS | 2022年 | [PUB] [PDF] [CODE] |
| Adaptive Federated Deep Reinforcement Learning for Proactive Content Caching in Edge Computing. | CQU | TPDS | 2022年 | [发布] |
| TDFL: Truth Discovery Based Byzantine Robust Federated Learning | 少量 | TPDS | 2022年 | [发布] |
| Federated Learning With Nesterov Accelerated Gradient | 悉尼大学 | TPDS | 2022年 | [PUB] [PDF] |
| FedGraph: Federated Graph Learning with Intelligent Sampling | UoA | TPDS | 2022年 | [PUB] [CODE] [解读] |
| AUCTION: Automated and Quality-Aware Client Selection Framework for Efficient Federated Learning. | 星期四 | TPDS | 2022年 | [发布] |
| DONE: Distributed Approximate Newton-type Method for Federated Edge Learning. | 悉尼大学 | TPDS | 2022年 | [PUB] [PDF] [CODE] |
| Flexible Clustered Federated Learning for Client-Level Data Distribution Shift. | CQU | TPDS | 2022年 | [PUB] [PDF] [CODE] |
| Min-Max Cost Optimization for Efficient Hierarchical Federated Learning in Wireless Edge Networks. | Xidian University | TPDS | 2022年 | [发布] |
| LightFed: An Efficient and Secure Federated Edge Learning System on Model Splitting. | 科罗拉多州立大学 | TPDS | 2022年 | [发布] |
| On the Benefits of Multiple Gossip Steps in Communication-Constrained Decentralized Federated Learning. | Purdue | TPDS | 2022年 | [PUB] [PDF] [CODE] |
| Incentive-Aware Autonomous Client Participation in Federated Learning. | 中山大学 | TPDS | 2022年 | [发布] |
| Communicational and Computational Efficient Federated Domain Adaptation. | 香港科技大学 | TPDS | 2022年 | [发布] |
| Decentralized Edge Intelligence: A Dynamic Resource Allocation Framework for Hierarchical Federated Learning. | 南洋理工大学 | TPDS | 2022年 | [发布] |
| Differentially Private Byzantine-Robust Federated Learning. | 曲阜师范大学 | TPDS | 2022年 | [发布] |
| Multi-Task Federated Learning for Personalised Deep Neural Networks in Edge Computing. | 埃克塞特大学 | TPDS | 2022年 | [PUB] [PDF] [CODE] |
| Reputation-Aware Hedonic Coalition Formation for Efficient Serverless Hierarchical Federated Learning. | BUAA | TPDS | 2022年 | [发布] |
| Differentially Private Federated Temporal Difference Learning. | 石溪大学 | TPDS | 2022年 | [发布] |
| Towards Efficient and Stable K-Asynchronous Federated Learning With Unbounded Stale Gradients on Non-IID Data. | 西安交通大学 | TPDS | 2022年 | [PUB] [PDF] |
| Communication-Efficient Federated Learning With Compensated Overlap-FedAvg. | 四川大学 | TPDS | 2022年 | [PUB] [PDF] [CODE] |
| PAPAYA: Practical, Private, and Scalable Federated Learning. | 元人工智能 | ML系统 | 2022年 | [PUB] [PDF] |
| LightSecAgg: a Lightweight and Versatile Design for Secure Aggregation in Federated Learning | 南加州大学 | ML系统 | 2022年 | [PUB] [PDF] [CODE] |
| Accelerated Training via Device Similarity in Federated Learning | EuroSys workshop | 2021年 | [发布] | |
| Towards Federated Learning with Attention Transfer to Mitigate System and Data Heterogeneity of Clients | EuroSys workshop | 2021年 | [发布] | |
| Towards Mitigating Device Heterogeneity in Federated Learning via Adaptive Model Quantization | EuroSys workshop | 2021年 | [发布] | |
| SAFA: A Semi-Asynchronous Protocol for Fast Federated Learning With Low Overhead | 华威大学 | TC | 2021年 | [PDF] [PUB] [CODE] |
| Efficient Federated Learning for Cloud-Based AIoT Applications | 华东师范大学 | 计算机辅助设计 | 2021年 | [发布] |
| HADFL: Heterogeneity-aware Decentralized Federated Learning Framework | 中国科学技术大学 | 数模转换器 | 2021年 | [PDF] [PUB] |
| Helios: Heterogeneity-Aware Federated Learning with Dynamically Balanced Collaboration. | GMU | 数模转换器 | 2021年 | [PDF] [PUB] |
| FedLight: Federated Reinforcement Learning for Autonomous Multi-Intersection Traffic Signal Control. | 华东师范大学 | 数模转换器 | 2021年 | [发布] |
| Oort: Efficient Federated Learning via Guided Participant Selection | 密歇根大学 | OSDI | 2021年 | [PUB] [PDF] [CODE] [SLIDES] [VIDEO] |
| Towards Efficient Scheduling of Federated Mobile Devices Under Computational and Statistical Heterogeneity. | 旧道明大学 | TPDS | 2021年 | [PUB] [PDF] |
| Self-Balancing Federated Learning With Global Imbalanced Data in Mobile Systems. | CQU | TPDS | 2021年 | [PUB] [CODE] |
| An Efficiency-Boosting Client Selection Scheme for Federated Learning With Fairness Guarantee | SCUT | TPDS | 2021年 | [PUB] [PDF] [解读] |
| Proof of Federated Learning: A Novel Energy-Recycling Consensus Algorithm. | 北京师范大学 | TPDS | 2021年 | [PUB] [PDF] |
| Biscotti: A Blockchain System for Private and Secure Federated Learning. | UBC | TPDS | 2021年 | [发布] |
| Mutual Information Driven Federated Learning. | 迪肯大学 | TPDS | 2021年 | [发布] |
| Accelerating Federated Learning Over Reliability-Agnostic Clients in Mobile Edge Computing Systems. | 华威大学 | TPDS | 2021年 | [PUB] [PDF] |
| FedSCR: Structure-Based Communication Reduction for Federated Learning. | 香港大学 | TPDS | 2021年 | [发布] |
| FedScale: Benchmarking Model and System Performance of Federated Learning | 密歇根大学 | SOSP workshop / ICML 2022 | 2021年 | [PUB] [PDF] [CODE] [解读] |
| Redundancy in cost functions for Byzantine fault-tolerant federated learning | SOSP workshop | 2021年 | [发布] | |
| Towards an Efficient System for Differentially-private, Cross-device Federated Learning | SOSP workshop | 2021年 | [发布] | |
| GradSec: a TEE-based Scheme Against Federated Learning Inference Attacks | SOSP workshop | 2021年 | [发布] | |
| Community-Structured Decentralized Learning for Resilient EI. | SOSP workshop | 2021年 | [发布] | |
| Separation of Powers in Federated Learning (Poster Paper) | IBM 研究中心 | SOSP workshop | 2021年 | [PUB] [PDF] |
| Towards federated unsupervised representation learning | EuroSys workshop | 2020年 | [发布] | |
| CoLearn: enabling federated learning in MUD-compliant IoT edge networks | EuroSys workshop | 2020年 | [发布] | |
| LDP-Fed: federated learning with local differential privacy. | EuroSys workshop | 2020年 | [发布] | |
| Accelerating Federated Learning via Momentum Gradient Descent. | 中国科学技术大学 | TPDS | 2020年 | [PUB] [PDF] |
| Towards Fair and Privacy-Preserving Federated Deep Models. | 新加坡国立大学 | TPDS | 2020年 | [PUB] [PDF] [CODE] |
| Federated Optimization in Heterogeneous Networks | 卡耐基梅隆大学 | ML系统 | 2020年 | [PUB] [PDF] [CODE] |
| Towards Federated Learning at Scale: System Design | 谷歌 | ML系统 | 2019年 | [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).
| 标题 | 联系 | 场地 | 年 | 材料 |
|---|---|---|---|---|
| F-CodeLLM: A Federated Learning Framework for Adapting Large Language Models to Practical Software Development | 中山大学 | ICSE Companion | 2024年 | 公用事业局 |
| Raft Protocol for Fault Tolerance and Self-Recovery in Federated Learning | SINTEF数字 | SEAMS@ICSE | 2024年 | 公用事业局 |
| FedDebug: Systematic Debugging for Federated Learning Applications. | 弗吉尼亚理工大学 | 国际科学教育协会 | 2023年 | pub pdf code |
| FedSlice: Protecting Federated Learning Models from Malicious Participants with Model Slicing. | 北京大学 | 国际科学教育协会 | 2023年 | pub code |
| Towards a Self-Adaptive Architecture for Federated Learning of Industrial Automation Systems | SEAMS@ICSE workshop | 2021年 | 酒吧 | |
| Federated Machine Learning as a Self-Adaptive Problem | SEAMS@ICSE workshop | 2021年 | 酒吧 |
This section partially refers to DBLP search engine and repositories Awesome-Federated-Learning-on-Graph-and-GNN-papers and Awesome-Federated-Machine-Learning.
| 标题 | 联系 | 场地 | 年 | 材料 |
|---|---|---|---|---|
| FedGCN: Convergence and Communication Tradeoffs in Federated Training of Graph Convolutional Networks | 卡耐基梅隆大学 | NeurIPS ? | 2023年 | [PDF] [CODE] |
| Wyze Rule: Federated Rule Dataset for Rule Recommendation Benchmarking | 卡耐基梅隆大学 | NeurIPS Dataset Track ? | 2023年 | [PDF] [DATASET] [CODE] |
| Federated Visualization: A Privacy-Preserving Strategy for Aggregated Visual Query. | 浙江大学 | IEEE 传输。维斯。计算。图形。 ？ | 2023年 | [PUB] [PDF] |
| Personalized Subgraph Federated Learning | 韩国科学技术院 | ICML ? | 2023年 | [PDF] |
| Semi-decentralized Federated Ego Graph Learning for Recommendation | 南科大 | WWW:mortar_board: | 2023年 | [PUB] [PDF] |
| Federated Graph Neural Network for Fast Anomaly Detection in Controller Area Networks | 华东理工大学 | IEEE 传输。信息。取证安全。 ？ | 2023年 | [发布] |
| Federated Learning Over Coupled Graphs | 西安交通大学 | IEEE 传输。 Parallel Distributed Syst. ？ | 2023年 | [PUB] [PDF] |
| HetVis: A Visual Analysis Approach for Identifying Data Heterogeneity in Horizontal Federated Learning | 南开大学 | IEEE 传输。维斯。计算。图形。 ？ | 2023年 | [PUB] [PDF] |
| Federated Learning on Non-IID Graphs via Structural Knowledge Sharing | 悉尼科技大学 | AAAI ? | 2023年 | [PDF] [CODE] |
| FedGS: Federated Graph-based Sampling with Arbitrary Client Availability | 厦门大学 | AAAI ? | 2023年 | [PDF] [CODE] |
| An Information Theoretic Perspective for Heterogeneous Subgraph Federated Learning. | 北京大学 | DASFAA | 2023年 | [发布] |
| GraphCS: Graph-based client selection for heterogeneity in federated learning | 国防科技大学 | J. Parallel Distributed Comput. | 2023年 | [发布] |
| Towards On-Device Federated Learning: A Direct Acyclic Graph-based Blockchain Approach | BUPT | IEEE 传输。神经网络学习。系统。 | 2023年 | [PUB] [PDF] |
| Short-Term Traffic Flow Prediction Based on Graph Convolutional Networks and Federated Learning | 中南财经政法大学 | IEEE 传输。英特尔。运输。系统。 | 2023年 | [发布] |
| Hyper-Graph Attention Based Federated Learning Methods for Use in Mental Health Detection. | HVL | IEEE J.生物医学。 Health Informatics | 2023年 | [发布] |
| Federated Learning-Based Cross-Enterprise Recommendation With Graph Neural | IEEE 传输。 Ind. Informatics | 2023年 | [发布] | |
| Graph-Fraudster: Adversarial Attacks on Graph Neural Network Based Vertical Federated Learning | ZJUT | IEEE 传输。计算。苏克。系统。 | 2023年 | [PUB] [PDF] [CODE] |
| ESA-FedGNN: Efficient secure aggregation for federated graph neural networks. | Peer Peer Netw.应用。 | 2023年 | [发布] | |
| FedCKE: Cross-Domain Knowledge Graph Embedding in Federated Learning | SWJTU | IEEE 传输。大数据 | 2023年 | [发布] |
| Asynchronous federated learning with directed acyclic graph-based blockchain in edge computing: Overview, design, and challenges. | 专家系统。应用。 | 2023年 | [发布] | |
| FedGR: Federated Graph Neural Network for Recommendation System | CUPT | 公理 | 2023年 | [发布] |
| S-Glint: Secure Federated Graph Learning With Traffic Throttling and Flow Scheduling. | IEEE 传输。绿色公社。网络。 | 2023年 | [发布] | |
| FedAGCN: A traffic flow prediction framework based on federated learning and Asynchronous Graph Convolutional Network | 应用。软计算。 | 2023年 | [发布] | |
| GDFed: Dynamic Federated Learning for Heterogenous Device Using Graph Neural Network | 库哈 | ICOIN | 2023年 | [PUB] [CODE] |
| Coordinated Scheduling and Decentralized Federated Learning Using Conflict Clustering Graphs in Fog-Assisted IoD Networks | UBC | IEEE 传输。 Veh.技术。 | 2023年 | [发布] |
| FedRule: Federated Rule Recommendation System with Graph Neural Networks | 卡耐基梅隆大学 | 物联网DI | 2023年 | [PUB] [PDF] [CODE] |
| FedWalk: Communication Efficient Federated Unsupervised Node Embedding with Differential Privacy | SJTU | KDD ? | 2022年 | [PUB] [PDF] |
| FederatedScope-GNN: Towards a Unified, Comprehensive and Efficient Platform for Federated Graph Learning | 阿里巴巴 | KDD (Best Paper Award) ? | 2022年 | [PDF] [CODE] [PUB] |
| Deep Neural Network Fusion via Graph Matching with Applications to Model Ensemble and Federated Learning | SJTU | ICML ? | 2022年 | [PUB] [CODE] |
Meta-Learning Based Knowledge Extrapolation for Knowledge Graphs in the Federated Setting kg. | 浙江大学 | IJCAI ? | 2022年 | [PUB] [PDF] [CODE] |
| Personalized Federated Learning With a Graph | 悉尼科技大学 | IJCAI ? | 2022年 | [PUB] [PDF] [CODE] |
| Vertically Federated Graph Neural Network for Privacy-Preserving Node Classification | 浙江大学 | IJCAI ? | 2022年 | [PUB] [PDF] |
| SpreadGNN: Decentralized Multi-Task Federated Learning for Graph Neural Networks on Molecular Data | 南加州大学 | AAAI:mortar_board: | 2022年 | [PUB] [PDF] [CODE] [解读] |
| FedGraph: Federated Graph Learning with Intelligent Sampling | UoA | TPDS ? | 2022年 | [PUB] [CODE] [解读] |
Federated Graph Machine Learning: A Survey of Concepts, Techniques, and Applications surv. | 弗吉尼亚大学 | SIGKDD 探索。 | 2022年 | [PUB] [PDF] |
| Semantic Vectorization: Text- and Graph-Based Models. | IBM 研究中心 | 联邦学习 | 2022年 | [发布] |
| GraphFL: A Federated Learning Framework for Semi-Supervised Node Classification on Graphs | 个人所得税 | 集成电路DM | 2022年 | [PUB] [PDF] [解读] |
| More is Better (Mostly): On the Backdoor Attacks in Federated Graph Neural Networks | TU Delft | ACSAC | 2022年 | [PUB] [PDF] |
| FedNI: Federated Graph Learning with Network Inpainting for Population-Based Disease Prediction | UESTC | TMI | 2022年 | [PUB] [PDF] |
| SemiGraphFL: Semi-supervised Graph Federated Learning for Graph Classification. | 北京大学 | PPSN | 2022年 | [发布] |
| Federated Spatio-Temporal Traffic Flow Prediction Based on Graph Convolutional Network | TJU | WCSP | 2022年 | [发布] |
| A federated graph neural network framework for privacy-preserving personalization | 星期四 | 自然通讯 | 2022年 | [PUB] [CODE] [解读] |
| Malicious Transaction Identification in Digital Currency via Federated Graph Deep Learning | 少量 | INFOCOM Workshops | 2022年 | [发布] |
Efficient Federated Learning on Knowledge Graphs via Privacy-preserving Relation Embedding Aggregation kg. | 理海大学 | EMNLP | 2022年 | [PUB] [PDF] [CODE] |
| Power Allocation for Wireless Federated Learning using Graph Neural Networks | 莱斯大学 | ICASSP | 2022年 | [PUB] [PDF] [CODE] |
| Privacy-Preserving Federated Multi-Task Linear Regression: A One-Shot Linear Mixing Approach Inspired By Graph Regularization | UC | ICASSP | 2022年 | [PUB] [PDF] [CODE] |
| Graph-regularized federated learning with shareable side information | NWPU | 知道。基于系统。 | 2022年 | [发布] |
Federated knowledge graph completion via embedding-contrastive learning kg. | 浙江大学 | 知道。基于系统。 | 2022年 | [发布] |
| Federated Graph Learning with Periodic Neighbour Sampling | 香港大学 | 无线服务质量 | 2022年 | [发布] |
| FedGSL: Federated Graph Structure Learning for Local Subgraph Augmentation. | 大数据 | 2022年 | [发布] | |
| Domain-Aware Federated Social Bot Detection with Multi-Relational Graph Neural Networks. | UCAS;中科院 | IJCNN | 2022年 | [发布] |
| A Federated Multi-Server Knowledge Graph Embedding Framework For Link Prediction. | ICTAI | 2022年 | [发布] | |
| A Privacy-Preserving Subgraph-Level Federated Graph Neural Network via Differential Privacy | Ping An Technology | KSEM | 2022年 | [PUB] [PDF] |
| Clustered Graph Federated Personalized Learning. | 挪威科技大学 | IEEECONF | 2022年 | [发布] |
| Investigating the Predictive Reproducibility of Federated Graph Neural Networks using Medical Datasets. | 米卡伊工作坊 | 2022年 | [PDF] [CODE] | |
| Peer-to-Peer Variational Federated Learning Over Arbitrary Graphs | 加州大学圣地亚哥分校 | 国际。 J. Bio Inspired |
