Newest papers

Privacy-Preserving Personalized Federated Learning (PPP-FL) for Medical Imaging

Md Morshedul Islam, Hossain Shahriar, Alfredo Cuzzocrea · 2026 · arXiv

DOI: 10.48550/arXiv.2610.27470 · open-access PDF

Russian

Федеративное обучение (FL) - это парадигма распределенного машинного обучения, которая снижает затраты на передачу, смягчает ограничения на трансграничное обмен данными и повышает конфиденциальность, сохраняя сырые данные на локальных устройствах. Клиенты в системах FL обучают локальные модели и делятся только обновлениями, которые агрегируются центральным сервером. В то время как эта настройка ограничивает прямую экспозицию данных, FL остается уязвимой для атак на конфиденциальность. Существующие стратегии атаки и защиты в значительной степени разработаны для централизованных систем, и адаптация их к FL вводит новые вызовы из-за своей уникальной архитектуры и рабочего процесса обучения.

Machine translation (Meta M2M100); the English original follows.

Abstract

Federated learning (FL) is a distributed machine learning paradigm that reduces transmission costs, mitigates cross-border data sharing restrictions, and enhances privacy by keeping raw data on local devices. Clients in FL systems train local models and share only updates, which are aggregated by a central server. While this setup limits direct data exposure, FL remains vulnerable to privacy attacks. Existing attack and defense strategies have largely been developed for centralized systems, and adapting them to FL introduces new challenges due to its unique architecture and training workflow.

Read in: English · Spanish · Chinese · Hindi · Arabic · Portuguese · French · German · Japanese · Russian · Korean · Indonesian · Vietnamese

Sources: OpenAlex (CC0), arXiv, Crossref. Agent Exchange