Goebel / Yu / Xiong | Trustworthy Federated Learning | Buch | 978-3-031-28995-8 | sack.de

Buch, Englisch, 159 Seiten, Format (B × H): 155 mm x 235 mm, Gewicht: 271 g

Reihe: Lecture Notes in Artificial Intelligence

Goebel / Yu / Xiong

Trustworthy Federated Learning

First International Workshop, FL 2022, Held in Conjunction with IJCAI 2022, Vienna, Austria, July 23, 2022, Revised Selected Papers
1. Auflage 2023
ISBN: 978-3-031-28995-8
Verlag: Springer International Publishing

First International Workshop, FL 2022, Held in Conjunction with IJCAI 2022, Vienna, Austria, July 23, 2022, Revised Selected Papers

Buch, Englisch, 159 Seiten, Format (B × H): 155 mm x 235 mm, Gewicht: 271 g

Reihe: Lecture Notes in Artificial Intelligence

ISBN: 978-3-031-28995-8
Verlag: Springer International Publishing


This book constitutes the refereed proceedings of the First International Workshop, FL 2022, Held in Conjunction with IJCAI 2022, held in Vienna, Austria, during July 23-25, 2022. 
The 11 full papers presented in this book were carefully reviewed and selected from 12 submissions. They are organized in three topical sections: answer set programming; adaptive expert models for personalization in federated learning and privacy-preserving federated cross-domain social recommendation.


Goebel / Yu / Xiong Trustworthy Federated Learning jetzt bestellen!

Zielgruppe


Research

Weitere Infos & Material


Adaptive Expert Models for Personalization in Federated Learning.- Federated Learning with GAN-based Data Synthesis for Non-iid Clients.- Practical and Secure Federated Recommendation with Personalized Mask.- A General Theory for Client Sampling in Federated Learning.- Decentralized adaptive clustering of deep nets is beneficial for client collaboration.- Sketch to Skip and Select: Communication Efficient Federated Learning using Locality Sensitive Hashing.- Fast Server Learning Rate Tuning for Coded Federated Dropout.- FedAUXfdp: Differentially Private One-Shot Federated Distillation.- Secure forward aggregation for vertical federated neural network.- Two-phased Federated Learning with Clustering and Personalization for Natural Gas Load Forecasting.- Privacy-Preserving Federated Cross-Domain Social Recommendation.



Ihre Fragen, Wünsche oder Anmerkungen
Vorname*
Nachname*
Ihre E-Mail-Adresse*
Kundennr.
Ihre Nachricht*
Lediglich mit * gekennzeichnete Felder sind Pflichtfelder.
Wenn Sie die im Kontaktformular eingegebenen Daten durch Klick auf den nachfolgenden Button übersenden, erklären Sie sich damit einverstanden, dass wir Ihr Angaben für die Beantwortung Ihrer Anfrage verwenden. Selbstverständlich werden Ihre Daten vertraulich behandelt und nicht an Dritte weitergegeben. Sie können der Verwendung Ihrer Daten jederzeit widersprechen. Das Datenhandling bei Sack Fachmedien erklären wir Ihnen in unserer Datenschutzerklärung.