Suche nach IID | meineki.news

DPxFin: Reputation-basiertes Differential Privacy für AML im Federated Learning

Im modernen Finanzsystem ist die Bekämpfung von Geldwäsche ein zentrales Problem, das durch zunehmende Datenschutzanforderungen und komplex…

arXiv – cs.LG 23.03.2026 04:00

Forschung

Probabilistisches Federated Learning bei heterogenen Daten – Modellpersonalisierung

In der aktuellen Forschung zu Federated Learning (FL) stoßen herkömmliche Frameworks häufig auf Trainingsprobleme, wenn die lokalen Datensä…

arXiv – cs.LG 20.03.2026 04:00

Forschung

FedUAF: Unsicherheitsbewusste Fusion für multimodale Sentiment Analyse

In der Welt der multimodalen Sentiment‑Analyse, die in federated‑Learning‑Umgebungen betrieben wird, stellen fehlende Modalitäten, heteroge…

arXiv – cs.LG 17.03.2026 04:00

Forschung

FedAFD: Multimodales Federated Learning mit adversarial Fusion und Distillation

Ein neues Forschungsprojekt namens FedAFD eröffnet einen vielversprechenden Ansatz für multimodales Federated Learning (MFL). Durch die Kom…

arXiv – cs.LG 06.03.2026 05:00

Forschung

FedEMA‑Distill: EMA‑basierte Knowledge‑Distillation stärkt Federated Learning

Federated Learning (FL) leidet häufig unter heterogenen, nicht‑IID‑Daten und aggressiven Clients, was zu Drift, langsamer Konvergenz und ho…

arXiv – cs.LG 06.03.2026 05:00

Forschung

Federated Inference: Datenschutzfreundliche, kollaborative Modellbereitstellung

Ein neuer Forschungsbereich, der als Federated Inference (FI) bezeichnet wird, eröffnet die Möglichkeit, dass unabhängige, privat betrieben…

arXiv – cs.AI 04.03.2026 05:00

Forschung

EdgeFLow: Serverlose Federated Learning via sequentielle Modellmigration

In einer wegweisenden Veröffentlichung präsentiert das Forschungsteam EdgeFLow ein neues Federated Learning‑Framework, das die herkömmliche…

arXiv – cs.LG 04.03.2026 05:00

Forschung

Federated Learning schützt Smart Meter vor Energie-Diebstahl

Der Diebstahl von Energie aus Smart Grids stellt eine ernsthafte Bedrohung für die Stabilität und Wirtschaftlichkeit moderner Stromnetze da…

arXiv – cs.LG 19.02.2026 05:00

Forschung

Hybrid‑Federated & Split Learning: Datenschutzfreundliche klinische Vorhersagen

In der klinischen Entscheidungsunterstützung ist die gemeinsame Nutzung von Patientendaten häufig durch strenge Governance‑ und Datenschutz…

arXiv – cs.LG 18.02.2026 05:00

Forschung

Kumulative Nutzenparität für Federated Learning bei unregelmäßiger Teilnahme

In realen Federated‑Learning‑Systemen ist die Teilnahme der Clients oft unregelmäßig, heterogen und eng mit Datenmerkmalen oder Ressourcenb…

arXiv – cs.LG 17.02.2026 05:00

Forschung

Adaptive Differential Privacy im Federated Learning: Mehr Stabilität

Federated Learning ermöglicht es verteilten Geräten, gemeinsam Modelle zu trainieren, ohne dass sensible Daten zentralisiert werden. In rea…

arXiv – cs.AI 09.02.2026 05:00

Forschung

FedAdaVR: Adaptive Varianzreduktion stärkt Learning eingeschränkter Teilnahme

In der Welt des Federated Learning (FL) stellen Heterogenität, Rauschverhalten der Gradienten, Client‑Drift und vor allem die eingeschränkt…

arXiv – cs.LG 02.02.2026 05:00

Forschung

FedUMM: Federated Learning multimodale Modelle geringem Kommunikationsaufwand

Unified multimodale Modelle (UMMs) gelten als leistungsstarke Basismodelle, die sowohl generative als auch Verständnisaufgaben in einer ein…

arXiv – cs.LG 23.01.2026 05:00

Forschung

Einmaliger Cluster-Federated Learning mit Datenkollaboration bei nicht-IID-Daten

Federated Learning (FL) ermöglicht es, Modelle über mehrere Clients hinweg zu trainieren, ohne dass rohe Daten geteilt werden. Bei stark he…

arXiv – cs.LG 15.01.2026 05:00

Forschung

RHFL+ trotzt Klassenungleichgewichten in medizinischer Bildgebung

Federated Learning (FL) ermöglicht es, Modelle über verteilte Geräte hinweg zu trainieren, ohne dass sensible Daten das Gerät verlassen. In…

arXiv – cs.LG 13.01.2026 05:00

Forschung

<h1>Effizientes, datenschutzfreundliches hierarchisches föderiertes Clustering</h1> <p>Mit dem neuen Ansatz „One-Shot Hierarchical Federated Clustering“ gelingt es, die komplexen Clusterstrukturen von verteilten, heterogenen Clients in einem einzigen Durchlauf zu erfassen – ohne dabei die Privatsphäre zu gefährden. Durch die Kombination aus clientseitiger Exploration und serverseitiger Aggregation über prototypenbasierte Nachrichten wird die bisher schwierige Aufgabe, nicht‑IID‑Daten ohne Labels zu verarbei

arXiv – cs.LG 13.01.2026 05:00

Forschung

Neues SCFA-Verfahren beschleunigt Federated Learning und verbessert Datenschutz

Ein neues Verfahren namens Semantic‑Constrained Federated Aggregation (SCFA) verspricht, die langsame Konvergenz von Federated Learning unt…

arXiv – cs.LG 19.12.2025 05:00

Forschung

Federated Few-Shot Learning: Epilepsie-Erkennung ohne zentralisierte Daten

In der klinischen Praxis sind EEG‑Aufzeichnungen häufig knapp, patientenspezifisch verteilt und unterliegen strengen Datenschutzbestimmunge…

arXiv – cs.AI 17.12.2025 05:00

Forschung

Neues Forschungsprojekt untersucht Aktivierungsfunktionen und Nicht‑IID‑Daten für robuste ML‑Modelle

In einer aktuellen Studie von Forschern aus dem Bereich der künstlichen Intelligenz wurde die Robustheit von maschinellen Lernmodellen syst…

arXiv – cs.LG 05.12.2025 05:00

Forschung

FedWMSAM: Schnelles, flaches Federated Learning mit Momentum‑ und SAM

Ein brandneues Verfahren namens FedWMSAM verspricht, die beiden zentralen Herausforderungen des Federated Learning – schnelle Konvergenz be…

arXiv – cs.LG 01.12.2025 05:00

Forschung

Federated Learning schützt IoT vor Angriffen trotz heterogener Daten

Mit der rasanten Verbreitung von Endgeräten und dem damit einhergehenden Datenanstieg stehen herkömmliche Machine‑Learning‑Modelle vor enor…

arXiv – cs.AI 24.11.2025 05:00

Forschung

FedGen-Edge: Federated Learning für generative KI – weniger Daten, mehr Personalisierung

Ein neues Forschungspapier präsentiert FedGen-Edge, ein Framework, das das Training großer generativer Modelle in federierten, geräteübergr…

arXiv – cs.LG 18.11.2025 05:00

Forschung

FFT-MoE: Sparsere Mixture-of-Experts für effizientes Federated Fine‑Tuning

Mit dem Aufkommen von Foundation Models (FMs) rückt die Frage nach einer datenschutzfreundlichen und ressourcenschonenden Feinabstimmung im…

arXiv – cs.LG 27.08.2025 05:00

Forschung

Trans‑XFed: Erklärbares Federated Learning für Lieferketten‑Kreditbewertung

Die neue Trans‑XFed‑Architektur verbindet Federated Learning mit erklärbaren KI‑Methoden, um die Kreditbewertung in Lieferketten sicherer u…

arXiv – cs.LG 20.08.2025 05:00

Forschung

Fed‑Meta‑Align: Pipeline verbessert Federated TinyML bei heterogenen IoT‑Daten

Die Echtzeit‑Fehlerklassifikation in ressourcenbeschränkten IoT‑Geräten ist für die industrielle Sicherheit von entscheidender Bedeutung. D…

arXiv – cs.LG 19.08.2025 05:00

Forschung

FedUHD: Federated Learning ohne Labels dank Hyperdimensional Computing

Ein neues Verfahren namens FedUHD kombiniert unüberwachtes Federated Learning mit Hyperdimensional Computing (HDC) und löst damit zentrale…

arXiv – cs.LG 19.08.2025 05:00

Forschung

CLIP-Fed: Vision‑Language‑Model schützt Federated Learning vor Backdoor‑Angriffen

Backdoor‑Angriffe stellen eine ernsthafte Bedrohung für Federated Learning (FL) dar, insbesondere wenn die Daten der Clients stark untersch…

arXiv – cs.LG 15.08.2025 05:00

Forschung

Federated Learning mit Privacy: Lösung für unausgewogene klinische Daten

In der medizinischen Forschung eröffnet Federated Learning (FL) neue Möglichkeiten, Modelle auf dezentralen Daten zu trainieren, ohne Patie…

arXiv – cs.AI 15.08.2025 05:00

Finde Modelle, Firmen und Themen

DPxFin: Reputation-basiertes Differential Privacy für AML im Federated Learning

Probabilistisches Federated Learning bei heterogenen Daten – Modellpersonalisierung

FedUAF: Unsicherheitsbewusste Fusion für multimodale Sentiment Analyse

FedAFD: Multimodales Federated Learning mit adversarial Fusion und Distillation

FedEMA‑Distill: EMA‑basierte Knowledge‑Distillation stärkt Federated Learning

Federated Inference: Datenschutzfreundliche, kollaborative Modellbereitstellung

EdgeFLow: Serverlose Federated Learning via sequentielle Modellmigration

Federated Learning schützt Smart Meter vor Energie-Diebstahl

Hybrid‑Federated & Split Learning: Datenschutzfreundliche klinische Vorhersagen

Kumulative Nutzenparität für Federated Learning bei unregelmäßiger Teilnahme

Adaptive Differential Privacy im Federated Learning: Mehr Stabilität

FedAdaVR: Adaptive Varianzreduktion stärkt Learning eingeschränkter Teilnahme

FedUMM: Federated Learning multimodale Modelle geringem Kommunikationsaufwand

Einmaliger Cluster-Federated Learning mit Datenkollaboration bei nicht-IID-Daten

RHFL+ trotzt Klassenungleichgewichten in medizinischer Bildgebung

Neues SCFA-Verfahren beschleunigt Federated Learning und verbessert Datenschutz

Federated Few-Shot Learning: Epilepsie-Erkennung ohne zentralisierte Daten

Neues Forschungsprojekt untersucht Aktivierungsfunktionen und Nicht‑IID‑Daten für robuste ML‑Modelle

FedWMSAM: Schnelles, flaches Federated Learning mit Momentum‑ und SAM

Federated Learning schützt IoT vor Angriffen trotz heterogener Daten

FedGen-Edge: Federated Learning für generative KI – weniger Daten, mehr Personalisierung

FFT-MoE: Sparsere Mixture-of-Experts für effizientes Federated Fine‑Tuning

Trans‑XFed: Erklärbares Federated Learning für Lieferketten‑Kreditbewertung

Fed‑Meta‑Align: Pipeline verbessert Federated TinyML bei heterogenen IoT‑Daten

FedUHD: Federated Learning ohne Labels dank Hyperdimensional Computing

CLIP-Fed: Vision‑Language‑Model schützt Federated Learning vor Backdoor‑Angriffen

Federated Learning mit Privacy: Lösung für unausgewogene klinische Daten

🍪 Cookie-Einstellungen