Suche nach Federated Learning

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

Neue Angriffsmethode enthüllt Schwachstellen im Vertical Federated Learning

In einem typischen Vertical Federated Learning (VFL) arbeiten mehrere Teilnehmer zusammen, um ein gemeinsames Modell zu trainieren. Dabei b…

arXiv – cs.LG 05.03.2026 05:00

Forschung

Backdoor‑Angriffe im Federated Learning: Architektur entscheidet über Erfolg

Federated Learning schützt zwar die Privatsphäre, doch laut einer neuen Studie von arXiv/2603.03865v1 kann es gleichzeitig ein Ziel für hei…

arXiv – cs.LG 05.03.2026 05:00

Forschung

Adaptive personalisiertes Federated Learning: Kernel Mean Embeddings

Ein neues Verfahren für personalisiertes Federated Learning (PFL) wurde vorgestellt, das es Agenten ermöglicht, individuelle Modelle zu tra…

arXiv – cs.LG 04.03.2026 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

Neue Methode für personalisiertes Multi-Agenten-TD-Lernen mit linearer Beschleunigung

In einer kürzlich veröffentlichten Studie auf arXiv wird ein innovativer Ansatz für das personalisierte Multi-Agenten‑Average‑Reward‑TD‑Ler…

arXiv – cs.LG 04.03.2026 05:00

Forschung

FedNSAM: Einheitliche Flachheit in Federated Learning – Genauigkeit steigert

Federated Learning (FL) ermöglicht es, Modelle auf verteilten Geräten zu trainieren, ohne dass die Rohdaten zentralisiert werden. Durch meh…

arXiv – cs.LG 02.03.2026 05:00

Forschung

FedDAG: Clustered Federated Learning mit global Daten- und Gradientenintegration

Federated Learning (FL) ermöglicht es mehreren Clients, gemeinsam ein Modell zu trainieren, ohne ihre Daten zu teilen. In der Praxis leiden…

arXiv – cs.LG 02.03.2026 05:00

Forschung

Federated Learning: Bewertung von Zuverlässigkeit, Resilienz und Fairness

Federated Learning bietet ein datenschutzfreundliches Modell für gemeinsames Lernen, doch der Erfolg hängt entscheidend von den Beiträgen d…

arXiv – cs.LG 27.02.2026 05:00

Forschung

<p>Federated Learning ermöglicht datenschutzfreundliches Modelltraining, doch die geteilten lokalen Updates bleiben Angriffen ausgesetzt. Um diese Schwachstellen zu beheben, wurden sichere Aggregationsverfahren entwickelt, die die Privatsphäre der Clients schützen.</p> <p>Die bisher vorgeschlagene Quantum Secure Aggregation (QSA) nutzt einen einzigen globalen GHZ‑Zustand, um die Client‑Updates in die globale Phase mehrteiliger, verschränkter Zustände zu kodieren. Bei steigender Teilnehmerzahl verschlechtert

arXiv – cs.LG 27.02.2026 05:00

Forschung

FedVG: Gradient-basierte Aggregation verbessert Learning in heterogenen Umgebungen

In einer Zeit, in der Federated Learning (FL) immer mehr an Bedeutung gewinnt, stellt FedVG einen bedeutenden Fortschritt dar. Das neue Fra…

arXiv – cs.AI 26.02.2026 05:00

Forschung

Sparse‑Orthogonal LoRA: 73 % weniger Kommunikation im dezentralen Federated Learning

In einer neuen Studie wird gezeigt, wie mobile Geräte mit unterschiedlichen Aufgaben‑Datensätzen gemeinsam ein großes Sprachmodell (LLM) ve…

arXiv – cs.LG 25.02.2026 05:00

Forschung

FedAvg-basiertes CTMC-Modell zur föderierten Brückenbewertung

Eine neue Methode ermöglicht es Städten, die Verschlechterung ihrer Brücken gemeinsam zu bewerten, ohne dass sensible Inspektionsdaten ausg…

arXiv – cs.LG 25.02.2026 05:00

Forschung

AsynDBT: Asynchrones Bilevel‑Tuning für effizientes In‑Context‑Lernen mit LLMs

Mit dem rasanten Aufstieg großer Sprachmodelle (LLMs) greifen immer mehr Anwendungen auf cloudbasierte LLM‑APIs zurück, um Kosten zu senken…

arXiv – cs.AI 23.02.2026 05:00

Forschung

FLoRG: Federiertes Feintuning mit Low‑Rank‑Gram‑Matrizen und Procrustes‑Alignment

Parameter‑effiziente Feintuning‑Methoden wie Low‑Rank‑Adaptation (LoRA) ermöglichen es großen Sprachmodellen, sich schnell an neue Aufgaben…

arXiv – cs.LG 20.02.2026 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

Federated GNNs: Geometrische Kohärenz bei globaler Aggregation neu definiert

Federated Learning (FL) ermöglicht das Training von Modellen über mehrere Clients hinweg, ohne dass Daten zentralisiert werden. Graph Neura…

arXiv – cs.LG 18.02.2026 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

Backdoor‑Angriff auf Federated Learning: Layer‑Schwachstellen ausgenutzt

Federated Learning (FL) hat die Möglichkeit eröffnet, Modelle dezentral auf Edge‑Geräten zu trainieren, ohne sensible Nutzerdaten zu zentra…

arXiv – cs.AI 18.02.2026 05:00

Forschung

Federated Learning verbessert Stimmungserkennung über Ländergrenzen hinweg

Stimmunginstabilität gilt als entscheidender Indikator für psychische Gesundheit, doch klassische Befragungen erfassen sie nur sporadisch u…

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

Federated Learning nichtlineare Zeitreihen: Analyse mit Graph Attention <p>In modernen Industrieanlagen werden zahlreiche Subsysteme von verteilten Sensoren überwacht. Jedes Subsystem erzeugt hochdimensionale Zeitreihen, die oft stark miteinander verknüpft sind. Um die zeitlichen Muster eines Subsystems im Kontext der anderen zu verstehen, ist es entscheidend, die Interdependenzen zu erfassen – ein Ziel, das in dezentralen Umgebungen besonders schwierig ist, weil Rohdaten nicht geteilt werden dürfen und d

arXiv – cs.LG 17.02.2026 05:00

Forschung

Personalisierte Federated PCA steigert IoT-Anomalieerkennung

In verteilten IoT‑Netzwerken nehmen Sicherheitsbedrohungen stetig zu, während gleichzeitig die Ressourcen begrenzt bleiben. Federated Learn…

arXiv – cs.LG 16.02.2026 05:00

Forschung

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…

arXiv – cs.AI 11.02.2026 05:00

Praxis

<h1>Federated Learning: LoRA-Fine‑Tuning von LLMs mit Flower & PEFT</h1> <p>In einem neuen Tutorial wird gezeigt, wie das Feintuning eines großen Sprachmodells (LLM) federiert werden kann, ohne jemals private Textdaten zu zentralisieren. Durch den Einsatz von LoRA (Low‑Rank Adaptation) bleiben die Daten der einzelnen Organisationen lokal, während das Modell gemeinsam verbessert wird.</p> <p>Das Beispiel simuliert mehrere Organisationen als virtuelle Clients. Jeder Client passt das gemeinsame Basismodell lok

MarkTechPost 10.02.2026 04:57

Forschung

VertCoHiRF: Dezentrales vertikales Clustering ohne zentrale Koordination

Vertikales Federated Learning (VFL) ermöglicht es Unternehmen, Daten mit komplementären Feature‑Sätzen gemeinsam zu analysieren, ohne ihre…

arXiv – cs.LG 10.02.2026 05:00

Forschung

Federated Unlearning: Neues Min–Max-Framework mit f-Divergenz

Federated Learning (FL) hat sich als leistungsstarkes Paradigma für kollaboratives maschinelles Lernen etabliert, indem es Daten lokal hält…

arXiv – cs.LG 09.02.2026 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

Finde Modelle, Firmen und Themen

FedAFD: Multimodales Federated Learning mit adversarial Fusion und Distillation

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

Neue Angriffsmethode enthüllt Schwachstellen im Vertical Federated Learning

Backdoor‑Angriffe im Federated Learning: Architektur entscheidet über Erfolg

Adaptive personalisiertes Federated Learning: Kernel Mean Embeddings

Federated Inference: Datenschutzfreundliche, kollaborative Modellbereitstellung

EdgeFLow: Serverlose Federated Learning via sequentielle Modellmigration

Neue Methode für personalisiertes Multi-Agenten-TD-Lernen mit linearer Beschleunigung

FedNSAM: Einheitliche Flachheit in Federated Learning – Genauigkeit steigert

FedDAG: Clustered Federated Learning mit global Daten- und Gradientenintegration

Federated Learning: Bewertung von Zuverlässigkeit, Resilienz und Fairness

FedVG: Gradient-basierte Aggregation verbessert Learning in heterogenen Umgebungen

Sparse‑Orthogonal LoRA: 73 % weniger Kommunikation im dezentralen Federated Learning

FedAvg-basiertes CTMC-Modell zur föderierten Brückenbewertung

AsynDBT: Asynchrones Bilevel‑Tuning für effizientes In‑Context‑Lernen mit LLMs

FLoRG: Federiertes Feintuning mit Low‑Rank‑Gram‑Matrizen und Procrustes‑Alignment

Federated Learning schützt Smart Meter vor Energie-Diebstahl

Federated GNNs: Geometrische Kohärenz bei globaler Aggregation neu definiert

Hybrid‑Federated & Split Learning: Datenschutzfreundliche klinische Vorhersagen

Backdoor‑Angriff auf Federated Learning: Layer‑Schwachstellen ausgenutzt

Federated Learning verbessert Stimmungserkennung über Ländergrenzen hinweg

Kumulative Nutzenparität für Federated Learning bei unregelmäßiger Teilnahme

Personalisierte Federated PCA steigert IoT-Anomalieerkennung

FedSurg 2024: Federated Learning für chirurgische Videoanalyse bei Appendizitis

VertCoHiRF: Dezentrales vertikales Clustering ohne zentrale Koordination

Federated Unlearning: Neues Min–Max-Framework mit f-Divergenz

Adaptive Differential Privacy im Federated Learning: Mehr Stabilität

🍪 Cookie-Einstellungen

Sparse‑Orthogonal LoRA: 73 % weniger Kommunikation im dezentralen Federated Learning