FedSurg 2024: Federated Learning für chirurgische Videoanalyse bei Appendizitis Der FedSurg‑Challenge 2024 hat erstmals ein umfassendes Benchmarking von Federated‑Learning‑Methoden für die Klassifizierung chirurgischer Videos durchgeführt. Ziel war es, die Fähigkeit moderner Modelle zu prüfen, sich an neue klinische Zentren anzupassen und gleichzeitig ohne Datenaustausch zwischen den Einrichtungen zu arbeiten. arXiv – cs.AI 11.02.2026 05:00
Neuer Algorithmus SPECIAL sichert rückwärts Lernen in federierten Systemen In realen verteilten Lernsystemen ändern sich die Datenverteilungen ständig, während Datenschutzbestimmungen den Austausch roher Daten verbieten. Dieses Problem wird als Federated Domain‑Incremental Learning (FDIL) bezeichnet, bei dem heterogene Clients Aufgaben in sich verändernden Domänen erhalten, aber die Klassenspalte konstant bleibt. arXiv – cs.LG 02.02.2026 05:00
Dezentralisiertes Federated Learning: Gossip & Differential Privacy getestet In diesem Tutorial wird gezeigt, wie Federated Learning funktioniert, wenn der klassische zentrale Aggregationsserver durch ein vollständig dezentrales Peer‑to‑Peer‑Gossip‑System ersetzt wird. Der Fokus liegt darauf, die Vorteile einer verteilten Architektur zu nutzen und gleichzeitig die Privatsphäre der Teilnehmer zu schützen. MarkTechPost 02.02.2026 01:14
Serverseitige Kalibrierung reduziert Bias im Federated Learning Federated Learning (FL) hat sich als wegweisendes verteiltes Lernparadigma etabliert, bei dem mehrere Clients gemeinsam ein globales Modell trainieren, ohne ihre Rohdaten zu teilen. Trotz der Vorteile steht FL vor einer entscheidenden Herausforderung: die Gewährleistung von Fairness über unterschiedliche demografische Gruppen hinweg. arXiv – cs.LG 12.01.2026 05:00
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 enormen Herausforderungen. Besonders in ressourcenbeschränkten und sicherheitskritischen Umgebungen, wie sie im Internet der Dinge (IoT) vorkommen, sind diese Probleme deutlich spürbar. arXiv – cs.AI 24.11.2025 05:00
Federated Learning für Satelliten: Effiziente On-Board-ML im Weltraum Mit dem raschen Ausbau von Low‑Earth‑Orbit‑Satelliten zu Hunderte und Tausende von Raumfahrzeugen wird die Notwendigkeit für verteiltes maschinelles Lernen an Bord immer dringlicher. Die begrenzte Downlink‑Bandbreite erfordert, dass die Datenverarbeitung vor Ort stattfindet, sodass Satelliten ihre Modelle gemeinsam trainieren können. arXiv – cs.LG 20.11.2025 05:00
