Aller au contenu principal
2025 conference-paper

Homomorphic-encryption-based Decentralized Federated Learning

1Citations signalées, ce qui n’est pas une note de qualité
5Institutions déclarées
4Pays d’affiliation déclarés

Rattachement africain : cn, au, se, gr. Niveau de preuve : code pays fourni par la source.

Le résumé fourni par la source

To meet the requirements of the artificial internet of things (AIoT), decentralization is essential to provide wide coverage, trustworthiness, and low-latency communication. For this purpose, decentralized federated learning (DFL) has rapidly evolved and gained popularity in recent years by reducing reliance on a central server and promoting a more robust, scalable, and privacy-preserving system. Nevertheless, the exchange of model updates and gradients in peer-to-peer (P2P) wireless communication systems introduces new vulnerabilities that threaten both model performance and data security, while frequent P2P communication among clients can lead to high communication costs. To address these issues, in this work, we develop a communicationefficient and security-enhanced DFL algorithm, which integrates the fast incremental alternating direction method of multipliers (FI-ADMM) algorithm with parameter-selective additively homomorphic encryption. Additionally, by introducing a first-order approximation for primal updates and rearranging the update order in FI-ADMM, the proposed method is superior to the other benchmarks in terms of computational and time complexity, which is validated by theoretical analysis and simulations.

Ce résumé expose les affirmations des auteurs. BNTIC ne l’interprète pas comme une validation indépendante des résultats.

Le contrôle bibliographique ouvert

DOI retrouvé dans Crossref DOI retrouvé ; titre concordant.

Titre Crossref
Homomorphic-encryption-based Decentralized Federated Learning
Date Crossref
08/06/2025
Éditeur
IEEE
Type
proceedings-article

Ce recoupement confirme des métadonnées liées au DOI. Il ne confirme ni la méthode ni les conclusions de l’étude, et il ne compte pas comme une seconde source scientifique indépendante.

Où se fait cette recherche

  • Southwest Jiaotong University pays non établi dans la notice
    Université ou école supérieure
  • Southwest University pays non établi dans la notice
    Université ou école supérieure
  • UNSW Sydney pays non établi dans la notice
    Université ou école supérieure
  • KTH Royal Institute of Technology pays non établi dans la notice
    Université ou école supérieure
  • Aristotle University of Thessaloniki pays non établi dans la notice
    Université ou école supérieure
  • School of Information Science and Technology pays non établi dans la notice
    Université ou école supérieure
  • College of Computer and Information Science pays non établi dans la notice
    Université ou école supérieure
  • School of Computer Science and Engineering pays non établi dans la notice
    Université ou école supérieure
  • School of Electrical Engineering and Computer Science pays non établi dans la notice
    Université ou école supérieure

Southwest Jiaotong University, Southwest University et UNSW Sydney, avec 6 autres affiliations.

Une affiliation ne permet pas de déduire la nationalité d’un auteur.

Les sujets associés

Privacy-Preserving Technologies in DataCryptography and Data SecurityStochastic Gradient Optimization Techniques

BNTIC News n’est pas le producteur de ces données. Les publications sont interrogées à la demande dans Crossref, OpenAIRE, DOAJ, Europe PMC, HAL, DataCite, AfricArXiv, ROR et la Banque mondiale, sans clé d’accès. OpenAlex reste optionnel. Aucun service payant n’est nécessaire et aucune donnée externe n’est enregistrée en base. Consulter les sources et leurs limites.