Saltar al contenido
Enrique Tomás Martínez Beltrán
InicioInvestigaciónPublicacionesDocenciaBlog
ENES
Contacto
InicioInvestigaciónPublicacionesDocenciaBlog
ENES
Contacto

Enrique Tomás Martínez Beltrán

Estudiante de doctorado en la Universidad de Murcia, centrado en aprendizaje federado, ciberseguridad e IA que preserva la privacidad para sistemas reales.

  • Política de privacidad
  • Términos del servicio
  • Accesibilidad
  • GitHubse abre en una pestaña nueva
  • LinkedInse abre en una pestaña nueva
  • Google Scholarse abre en una pestaña nueva
  • RGse abre en una pestaña nueva
  • ORCIDse abre en una pestaña nueva
  • Scopusse abre en una pestaña nueva
  • DBLPse abre en una pestaña nueva
  • Web of Sciencese abre en una pestaña nueva

Enrique Tomás Martínez Beltrán. Todos los derechos reservados.

Volver arriba

Este sitio utiliza cookies analíticas para entender cómo los visitantes interactúan con el contenido. No se comparten datos personales con terceros.

  1. Inicio
  2. Publicaciones
  3. ProFe: Communication-Efficient Decentralized Federated Learning via Distillation and Prototypes
Ponencia en conferencia2025

ICC 2025 - IEEE International Conference on Communications

ProFe: Communication-Efficient Decentralized Federated Learning via Distillation and Prototypes

Editorialse abre en una pestaña nuevaDOIse abre en una pestaña nueva
  • LinkedInse abre en una pestaña nueva
  • Xse abre en una pestaña nueva
TrainingQuantization (signal)CostsFederated learningPrototypesCollaborationData modelsComplexity theoryOptimizationFacesCommunication OptimizationAprendizaje federadoKnowledge DistillationPrototype LearningQuantization

Datos rápidos

Año
2025
Venue
ICC 2025 - IEEE International Conference on Communications
Identificador
sanchezsanchez2025profe

Cita sugerida

Pedro Miguel Sánchez Sánchez, Enrique Tomás Martínez Beltrán, Miguel Fernández Llamas, Gérôme Bovet, Gregorio Martínez Pérez, Alberto Huertas Celdrán (2025). ProFe: Communication-Efficient Decentralized Federated Learning via Distillation and Prototypes. ICC 2025 - IEEE International Conference on Communications.

Resumen

Autores

Pedro Miguel Sánchez SánchezEnrique Tomás Martínez BeltránMiguel Fernández LlamasGérôme BovetGregorio Martínez PérezAlberto Huertas Celdrán

Palabras clave

TrainingQuantization (signal)CostsFederated learningPrototypesCollaborationData modelsComplexity theoryOptimizationFacesCommunication OptimizationAprendizaje federadoKnowledge DistillationPrototype LearningQuantization

Publicaciones relacionadas

Trabajos cercanos por temática, tipo y solapamiento de etiquetas.

Artículo de revista2023

IEEE Communications Surveys & Tutorials

Decentralized Federated Learning: Fundamentals, State of the Art, Frameworks, Trends, and Challenges

Enrique Tomás Martínez Beltrán, Mario Quiles Pérez, Pedro Miguel Sánchez Sánchez, Sergio López Bernal, Gérôme Bovet, Manuel Gil Pérez, Gregorio Martínez Pérez, Alberto Huertas Celdrán

Editorialse abre en una pestaña nuevaDOIse abre en una pestaña nueva
Artículo de revista2025

IEEE Communications Magazine

Flighter: Decentralized Federated Learning and Situational Awareness for Secure Military Aerial Reconnaissance

Enrique Tomás Martínez Beltrán, Pedro Miguel Sánchez Sánchez, Gérôme Bovet, Burkhard Stiller, Gregorio Martínez Pérez, Alberto Huertas Celdrán

Editorialse abre en una pestaña nuevaDOIse abre en una pestaña nueva
Ponencia en conferencia2022

2022 IEEE 16th International Symposium on Medical Information and Communication Technology (ISMICT)

Study of P300 Detection Performance by Different P300 Speller Approaches Using Electroencephalography

Sergio López Bernal, Enrique Tomás Martínez Beltrán, Mario Quiles Pérez, Rubén Ortega Romero, Alberto Huertas Celdrán, Gregorio Martínez Pérez

Editorialse abre en una pestaña nuevaDOIse abre en una pestaña nueva

Investigación relacionada

DEFENDIS: aprendizaje federado descentralizado para identificación y seguridad de dispositivos IoT

Abr 2023 — Nov 2023

DEFENDIS: aprendizaje federado descentralizado para identificación y seguridad de dispositivos IoT

DEFENDIS desarrolla un marco para identificar de forma distribuida dispositivos IoT y abordar amenazas de seguridad mediante aprendizaje federado descentralizado.

EU-GUARDIAN: marco europeo y pruebas de concepto para la automatización inteligente de la gestión de incidentes de ciberdefensa

Dic 2022 — Nov 2025

EU-GUARDIAN: marco europeo y pruebas de concepto para la automatización inteligente de la gestión de incidentes de ciberdefensa

Solución avanzada basada en IA para automatizar la gestión de incidentes de ciberdefensa y reforzar la postura y las capacidades operativas de ciberdefensa de la UE.