Buchumschlag

FedMT: Federated Learning with Mixed-type Labels

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Zhang, Qiong, Peng, Jing, Zhang, Xin, Talhouk, Aline, Niu, Gang, Li, Xiaoxiao
Format:	Preprint
Veröffentlicht:	2022
Schlagworte:	Machine Learning Artificial Intelligence Distributed, Parallel, and Cluster Computing
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Beyond Aggregation: Guiding Clients in Heterogeneous Federated Learning
von: Wang, Zijian, et al.
Veröffentlicht: (2025)

FedCGD: Collective Gradient Divergence Optimized Scheduling for Wireless Federated Learning
von: Chen, Tan, et al.
Veröffentlicht: (2025)

FedUV: Uniformity and Variance for Heterogeneous Federated Learning
von: Son, Ha Min, et al.
Veröffentlicht: (2024)

FedAH: Aggregated Head for Personalized Federated Learning
von: Zhou, Pengzhan, et al.
Veröffentlicht: (2024)

FedFusion: Federated Learning with Diversity- and Cluster-Aware Encoders for Robust Adaptation under Label Scarcity
von: Kahenga, Ferdinand, et al.
Veröffentlicht: (2025)

FedImpro: Measuring and Improving Client Update in Federated Learning
von: Tang, Zhenheng, et al.
Veröffentlicht: (2024)

FedGreen: Carbon-aware Federated Learning with Model Size Adaptation
von: Abbasi, Ali, et al.
Veröffentlicht: (2024)

FedAC: An Adaptive Clustered Federated Learning Framework for Heterogeneous Data
von: Zhang, Yuxin, et al.
Veröffentlicht: (2024)

FedAA: A Reinforcement Learning Perspective on Adaptive Aggregation for Fair and Robust Federated Learning
von: He, Jialuo, et al.
Veröffentlicht: (2024)

FedLPS: Heterogeneous Federated Learning for Multiple Tasks with Local Parameter Sharing
von: Jia, Yongzhe, et al.
Veröffentlicht: (2024)

FedFa: A Fully Asynchronous Training Paradigm for Federated Learning
von: Xu, Haotian, et al.
Veröffentlicht: (2024)

FedSAC: Dynamic Submodel Allocation for Collaborative Fairness in Federated Learning
von: Wang, Zihui, et al.
Veröffentlicht: (2024)

FedTLU: Federated Learning with Targeted Layer Updates
von: Park, Jong-Ik, et al.
Veröffentlicht: (2024)

FedCore: Straggler-Free Federated Learning with Distributed Coresets
von: Guo, Hongpeng, et al.
Veröffentlicht: (2024)

SatFed: A Resource-Efficient LEO Satellite-Assisted Heterogeneous Federated Learning Framework
von: Zhang, Yuxin, et al.
Veröffentlicht: (2024)

Federated Learning with Limited Node Labels
von: Tang, Bisheng, et al.
Veröffentlicht: (2024)

FedDCT: A Dynamic Cross-Tier Federated Learning Framework in Wireless Networks
von: Xian, Youquan, et al.
Veröffentlicht: (2023)

FedTrans: Efficient Federated Learning via Multi-Model Transformation
von: Zhu, Yuxuan, et al.
Veröffentlicht: (2024)

CurvFed: Curvature-Aligned Federated Learning for Fairness without Demographics
von: Sharma, Harshit, et al.
Veröffentlicht: (2024)

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

FedASTA: Federated adaptive spatial-temporal attention for traffic flow prediction
von: Li, Kaiyuan, et al.
Veröffentlicht: (2024)

Fed-Sophia: A Communication-Efficient Second-Order Federated Learning Algorithm
von: Elbakary, Ahmed, et al.
Veröffentlicht: (2024)

Influence-oriented Personalized Federated Learning
von: Tan, Yue, et al.
Veröffentlicht: (2024)

FedHERO: A Federated Learning Approach for Node Classification Task on Heterophilic Graphs
von: Chen, Zihan, et al.
Veröffentlicht: (2025)

FedSN: A Federated Learning Framework over Heterogeneous LEO Satellite Networks
von: Lin, Zheng, et al.
Veröffentlicht: (2023)

FedPop: Federated Population-based Hyperparameter Tuning
von: Chen, Haokun, et al.
Veröffentlicht: (2023)

pFedLoRA: Model-Heterogeneous Personalized Federated Learning with LoRA Tuning
von: Yi, Liping, et al.
Veröffentlicht: (2023)

CG-FedLLM: How to Compress Gradients in Federated Fune-tuning for Large Language Models
von: Wu, Huiwen, et al.
Veröffentlicht: (2024)

FedDAG: Clustered Federated Learning via Global Data and Gradient Integration for Heterogeneous Environments
von: Pramanik, Anik, et al.
Veröffentlicht: (2026)

FedClust: Tackling Data Heterogeneity in Federated Learning through Weight-Driven Client Clustering
von: Islam, Md Sirajul, et al.
Veröffentlicht: (2024)

FedMHO: Heterogeneous One-Shot Federated Learning Towards Resource-Constrained Edge Devices
von: Yao, Dezhong, et al.
Veröffentlicht: (2025)

FedCal: Achieving Local and Global Calibration in Federated Learning via Aggregated Parameterized Scaler
von: Peng, Hongyi, et al.
Veröffentlicht: (2024)

pFedMoE: Data-Level Personalization with Mixture of Experts for Model-Heterogeneous Personalized Federated Learning
von: Yi, Liping, et al.
Veröffentlicht: (2024)

FedFiTS: Fitness-Selected, Slotted Client Scheduling for Trustworthy Federated Learning in Healthcare AI
von: Kahenga, Ferdinand, et al.
Veröffentlicht: (2025)

FedLECC: Cluster- and Loss-Guided Client Selection for Federated Learning under Non-IID Data
von: Jimenez-Gutierrez, Daniel M., et al.
Veröffentlicht: (2026)

A Closer Look at Personalized Fine-Tuning in Heterogeneous Federated Learning
von: Chen, Minghui, et al.
Veröffentlicht: (2025)

FedACT: Concurrent Federated Intelligence across Heterogeneous Data Sources
von: Islam, Md Sirajul, et al.
Veröffentlicht: (2026)

From Coordinate Matching to Structural Alignment: Rethinking Prototype Alignment in Heterogeneous Federated Learning
von: Wu, Xinghao, et al.
Veröffentlicht: (2026)

FedPBS: Proximal-Balanced Scaling Federated Learning Model for Robust Personalized Training for Non-IID Data
von: AbouNassar, Eman M., et al.
Veröffentlicht: (2026)

FedFT: Improving Communication Performance for Federated Learning with Frequency Space Transformation
von: Palihawadana, Chamath, et al.
Veröffentlicht: (2024)