Buchumschlag

Communication-Efficient Federated Learning with Accelerated Client Gradient

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Kim, Geeho, Kim, Jinkyu, Han, Bohyung
Format:	Preprint
Veröffentlicht:	2022
Schlagworte:	Machine Learning Artificial Intelligence
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Relaxed Contrastive Learning for Federated Learning
von: Seo, Seonguk, et al.
Veröffentlicht: (2024)

FedBCD:Communication-Efficient Accelerated Block Coordinate Gradient Descent for Federated Learning
von: Liu, Junkang, et al.
Veröffentlicht: (2026)

C2A: Client-Customized Adaptation for Parameter-Efficient Federated Learning
von: Kim, Yeachan, et al.
Veröffentlicht: (2024)

Merge and Bound: Direct Manipulations on Weights for Class Incremental Learning
von: Kim, Taehoon, et al.
Veröffentlicht: (2025)

GC-Fed: Gradient Centralized Federated Learning with Partial Client Participation
von: Seo, Jungwon, et al.
Veröffentlicht: (2025)

FedZMG: Efficient Client-Side Optimization in Federated Learning
von: Zantalis, Fotios, et al.
Veröffentlicht: (2026)

Heterogeneity-Aware Client Sampling for Optimal and Efficient Federated Learning
von: Weng, Shudi, et al.
Veröffentlicht: (2025)

Noise-aware Client Selection for carbon-efficient Federated Learning via Gradient Norm Thresholding
von: Wilhelm, Patrick, et al.
Veröffentlicht: (2026)

Score-Repellent Monte Carlo: Toward Efficient Non-Markovian Sampler with Constant Memory in General State Spaces
von: Hu, Jie, et al.
Veröffentlicht: (2026)

Efficient Client Selection in Federated Learning
von: Marfo, William, et al.
Veröffentlicht: (2025)

Enhanced Diffusion Sampling via Extrapolation with Multiple ODE Solutions
von: Choi, Jinyoung, et al.
Veröffentlicht: (2025)

LSHFed: Robust and Communication-Efficient Federated Learning with Locally-Sensitive Hashing Gradient Mapping
von: Cheng, Guanjie, et al.
Veröffentlicht: (2025)

FedRG: Unleashing the Representation Geometry for Federated Learning with Noisy Clients
von: Wen, Tian, et al.
Veröffentlicht: (2026)

FedConv: A Learning-on-Model Paradigm for Heterogeneous Federated Clients
von: Shen, Leming, et al.
Veröffentlicht: (2025)

LION-DG: Layer-Informed Initialization with Deep Gradient Protocols for Accelerated Neural Network Training
von: Kim, Hyunjun
Veröffentlicht: (2026)

AGDC: Autoregressive Generation of Variable-Length Sequences with Joint Discrete and Continuous Spaces
von: Shin, Yeonsang, et al.
Veröffentlicht: (2026)

Grokfast: Accelerated Grokking by Amplifying Slow Gradients
von: Lee, Jaerin, et al.
Veröffentlicht: (2024)

Federated Learning with Sample-level Client Drift Mitigation
von: Xu, Haoran, et al.
Veröffentlicht: (2025)

Unlearning Clients, Features and Samples in Vertical Federated Learning
von: Varshney, Ayush K., et al.
Veröffentlicht: (2025)

FedConPE: Efficient Federated Conversational Bandits with Heterogeneous Clients
von: Li, Zhuohua, et al.
Veröffentlicht: (2024)

An Interpretable Client Decision Tree Aggregation process for Federated Learning
von: Argente-Garrido, Alberto, et al.
Veröffentlicht: (2024)

Observation-Guided Diffusion Probabilistic Models
von: Kang, Junoh, et al.
Veröffentlicht: (2023)

Detecting Atypical Clients in Federated Learning via Representation-Level Divergence
von: Pérez-Corral, Cristian, et al.
Veröffentlicht: (2026)

Enhancing Federated Learning Through Secure Cluster-Weighted Client Aggregation
von: Ranaweera, Kanishka, et al.
Veröffentlicht: (2025)

Tackling Noisy Clients in Federated Learning with End-to-end Label Correction
von: Jiang, Xuefeng, et al.
Veröffentlicht: (2024)

FedCCRL: Federated Domain Generalization with Cross-Client Representation Learning
von: Wang, Xinpeng, et al.
Veröffentlicht: (2024)

Acceleration of Grokking in Learning Arithmetic Operations via Kolmogorov-Arnold Representation
von: Park, Yeachan, et al.
Veröffentlicht: (2024)

Gradients as an Action: Towards Communication-Efficient Federated Recommender Systems via Adaptive Action Sharing
von: Lu, Zhufeng, et al.
Veröffentlicht: (2025)

Local Data Quantity-Aware Weighted Averaging for Federated Learning with Dishonest Clients
von: Wu, Leming, et al.
Veröffentlicht: (2025)

Revisiting Softmax Masking: Stop Gradient for Enhancing Stability in Replay-based Continual Learning
von: Kim, Hoyong, et al.
Veröffentlicht: (2023)

Improved Generalization Bounds for Communication Efficient Federated Learning
von: Gholami, Peyman, et al.
Veröffentlicht: (2024)

Federated Linear Contextual Bandits with Heterogeneous Clients
von: Blaser, Ethan, et al.
Veröffentlicht: (2024)

Cumulative Utility Parity for Fair Federated Learning under Intermittent Client Participation
von: Behfar, Stefan, et al.
Veröffentlicht: (2026)

Addressing Data Quality Decompensation in Federated Learning via Dynamic Client Selection
von: Fei, Qinjun, et al.
Veröffentlicht: (2025)

NeFL: Nested Model Scaling for Federated Learning with System Heterogeneous Clients
von: Kang, Honggu, et al.
Veröffentlicht: (2023)

FedSAUC: A Similarity-Aware Update Control for Communication-Efficient Federated Learning in Edge Computing
von: Lee, Ming-Lun, et al.
Veröffentlicht: (2025)

Gradient Inversion in Federated Reinforcement Learning
von: He, Shenghong
Veröffentlicht: (2025)

Online Client Scheduling and Resource Allocation for Efficient Federated Edge Learning
von: Gao, Zhidong, et al.
Veröffentlicht: (2024)

History-Aware and Dynamic Client Contribution in Federated Learning
von: Ghosh, Bishwamittra, et al.
Veröffentlicht: (2024)

FedDiverse: Tackling Data Heterogeneity in Federated Learning with Diversity-Driven Client Selection
von: Németh, Gergely D., et al.
Veröffentlicht: (2025)