Efficient Privacy-Aware Federated Learning by Elimination of Downstream Redundancy

Publikation: Beitrag in Fachzeitschrift › Forschungsartikel › Beigetragen › Begutachtung

Beitragende

Details

OriginalspracheEnglisch
Seiten (von - bis)73-81
Seitenumfang9
Fachzeitschrift IEEE design & test of computers : D & T
Jahrgang39
Ausgabenummer3
PublikationsstatusVeröffentlicht - 2 März 2021
Peer-Review-StatusJa

Externe IDs

unpaywall 10.1109/mdat.2021.3063373
WOS 000803107400013
dblp journals/dt/LohanaRRK22

Schlagworte

Forschungsprofillinien der TU Dresden

DFG-Fachsystematik nach Fachkollegium

ASJC Scopus Sachgebiete

Schlagwörter

  • federated learning, homomorphic encryption, neural networks, Data privacy, Privacy, Neural networks, Training data, Collaborative work, Data models, Encryption, Cryptography, Homomorphic encryption

Bibliotheksschlagworte