Buchumschlag

FilFL: Client Filtering for Optimized Client Participation in Federated Learning

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Fourati, Fares, Kharrat, Salma, Aggarwal, Vaneet, Alouini, Mohamed-Slim, Canini, Marco
Format:	Preprint
Veröffentlicht:	2023
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

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

Every Call is Precious: Global Optimization of Black-Box Functions with Unknown Lipschitz Constants
von: Fourati, Fares, et al.
Veröffentlicht: (2025)

Optimizing Federated Learning by Entropy-Based Client Selection
von: Lutz, Andreas, et al.
Veröffentlicht: (2024)

Tackling Selfish Clients in Federated Learning
von: Augello, Andrea, et al.
Veröffentlicht: (2024)

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

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

A Green Multi-Attribute Client Selection for Over-The-Air Federated Learning: A Grey-Wolf-Optimizer Approach
von: Driss, Maryam Ben, et al.
Veröffentlicht: (2024)

Mitigating Persistent Client Dropout in Asynchronous Decentralized Federated Learning
von: Stępka, Ignacy, et al.
Veröffentlicht: (2025)

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

Debiasing Federated Learning with Correlated Client Participation
von: Sun, Zhenyu, et al.
Veröffentlicht: (2024)

TRAIL: Trust-Aware Client Scheduling for Semi-Decentralized Federated Learning
von: Hu, Gangqiang, et al.
Veröffentlicht: (2024)

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

An Upload-Efficient Scheme for Transferring Knowledge From a Server-Side Pre-trained Generator to Clients in Heterogeneous Federated Learning
von: Zhang, Jianqing, et al.
Veröffentlicht: (2024)

UnifyFL: Enabling Decentralized Cross-Silo Federated Learning
von: S, Sarang, et al.
Veröffentlicht: (2025)

Data-Free Client Contribution Estimation via Logit Maximization for Federated Learning
von: Ukaye, Asim, et al.
Veröffentlicht: (2026)

PNCS:Power-Norm Cosine Similarity for Diverse Client Selection in Federated Learning
von: Li, Liangyan, et al.
Veröffentlicht: (2025)

Training Heterogeneous Client Models using Knowledge Distillation in Serverless Federated Learning
von: Chadha, Mohak, et al.
Veröffentlicht: (2024)

RobustFSM: Submodular Maximization in Federated Setting with Malicious Clients
von: Tran, Duc A., et al.
Veröffentlicht: (2025)

PeerFL: A Simulator for Peer-to-Peer Federated Learning at Scale
von: Luqman, Alka, et al.
Veröffentlicht: (2024)

Towards Robust and Efficient Federated Low-Rank Adaptation with Heterogeneous Clients
von: Koo, Jabin, et al.
Veröffentlicht: (2024)

Preventing Rank Collapse in Federated Low-Rank Adaptation with Client Heterogeneity
von: Wu, Fei, et al.
Veröffentlicht: (2026)

Enhancing Communication Efficiency in FL with Adaptive Gradient Quantization and Communication Frequency Optimization
von: Tariq, Asadullah, et al.
Veröffentlicht: (2025)

Gradient Compression and Correlation Driven Federated Learning for Wireless Traffic Prediction
von: Zhang, Chuanting, et al.
Veröffentlicht: (2025)

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

Harnessing Increased Client Participation with Cohort-Parallel Federated Learning
von: Dhasade, Akash, et al.
Veröffentlicht: (2024)

TurboSVM-FL: Boosting Federated Learning through SVM Aggregation for Lazy Clients
von: Wang, Mengdi, et al.
Veröffentlicht: (2024)

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

Federated Learning with Workload Reduction through Partial Training of Client Models and Entropy-Based Data Selection
von: Shi, Hongrui, et al.
Veröffentlicht: (2024)

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

ProbSelect: Stochastic Client Selection for GPU-Accelerated Compute Devices in the 3D Continuum
von: Stanisic, Andrija, et al.
Veröffentlicht: (2025)

Why Smaller Is Slower? Dimensional Misalignment in Compressed LLMs
von: Xin, Jihao, et al.
Veröffentlicht: (2026)

Assortment of Attention Heads: Accelerating Federated PEFT with Head Pruning and Strategic Client Selection
von: Venkatesha, Yeshwanth, et al.
Veröffentlicht: (2025)

Understanding Server-Assisted Federated Learning in the Presence of Incomplete Client Participation
von: Yang, Haibo, et al.
Veröffentlicht: (2024)

Analyzing the Impact of Participant Failures in Cross-Silo Federated Learning
von: Stricker, Fabian, et al.
Veröffentlicht: (2025)

Towards Fair, Robust and Efficient Client Contribution Evaluation in Federated Learning
von: Zhang, Meiying, et al.
Veröffentlicht: (2024)

FedRA: A Random Allocation Strategy for Federated Tuning to Unleash the Power of Heterogeneous Clients
von: Su, Shangchao, et al.
Veröffentlicht: (2023)

AugFL: Augmenting Federated Learning with Pretrained Models
von: Yue, Sheng, et al.
Veröffentlicht: (2025)

Communication-Efficient Federated AUC Maximization with Cyclic Client Participation
von: Vangapally, Umesh, et al.
Veröffentlicht: (2026)

Federated Learning Client Pruning for Noisy Labels
von: Morafah, Mahdi, et al.
Veröffentlicht: (2024)

Exact and Linear Convergence for Federated Learning under Arbitrary Client Participation is Attainable
von: Ying, Bicheng, et al.
Veröffentlicht: (2025)