Buchumschlag

Adaptive Self-Distillation for Minimizing Client Drift in Heterogeneous Federated Learning

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Yashwanth, M, Nayak, Gaurav Kumar, Singh, Arya, Simmhan, Yogesh, Chakraborty, Anirban
Format:	Preprint
Veröffentlicht:	2023
Schlagworte:	Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Minimizing Layerwise Activation Norm Improves Generalization in Federated Learning
von: Yashwanth, M, et al.
Veröffentlicht: (2025)

Federated Learning by Utility-Constrained Stochastic Aggregation for Improving Rational Participation
von: Yashwanth, M, et al.
Veröffentlicht: (2026)

Optimizing Federated Learning for Scalable Power-demand Forecasting in Microgrids
von: Banerjee, Roopkatha, et al.
Veröffentlicht: (2025)

Distributionally Robust Federated Learning with Client Drift Minimization
von: Krouka, Mounssif, et al.
Veröffentlicht: (2025)

Optimizing Federated Learning using Remote Embeddings for Graph Neural Networks
von: Naman, Pranjal, et al.
Veröffentlicht: (2025)

Prompt Estimation from Prototypes for Federated Prompt Tuning of Vision Transformers
von: Yashwanth, M, et al.
Veröffentlicht: (2025)

Client Selection in Federated Learning with Data Heterogeneity and Network Latencies
von: Vardhan, Harsh, et al.
Veröffentlicht: (2025)

D3FL: Data Distribution and Detrending for Robust Federated Learning in Non-linear Time-series Data
von: Marisetty, Harsha Varun, et al.
Veröffentlicht: (2025)

Data-free Defense of Black Box Models Against Adversarial Attacks
von: Nayak, Gaurav Kumar, et al.
Veröffentlicht: (2022)

ASMR: Angular Support for Malfunctioning Client Resilience in Federated Learning
von: Konstantin, Mirko, et al.
Veröffentlicht: (2025)

Enabling Weak Client Participation via On-device Knowledge Distillation in Heterogeneous Federated Learning
von: Lim, Jihyun, et al.
Veröffentlicht: (2025)

Federated Learning Clients Clustering with Adaptation to Data Drifts
von: Li, Minghao, et al.
Veröffentlicht: (2024)

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

Communication-Efficient Federated Learning With Data and Client Heterogeneity
von: Zakerinia, Hossein, et al.
Veröffentlicht: (2022)

FedSCAl: Leveraging Server and Client Alignment for Unsupervised Federated Source-Free Domain Adaptation
von: Yashwanth, M, et al.
Veröffentlicht: (2025)

FedDAA: Dynamic Client Clustering for Concept Drift Adaptation in Federated Learning
von: Peng, Fu, et al.
Veröffentlicht: (2025)

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

Federated Learning with Extremely Noisy Clients via Negative Distillation
von: Lu, Yang, et al.
Veröffentlicht: (2023)

FedEve: On Bridging the Client Drift and Period Drift for Cross-device Federated Learning
von: Shen, Tao, et al.
Veröffentlicht: (2025)

Knowledge Rumination for Client Utility Evaluation in Heterogeneous Federated Learning
von: Jiang, Xiaorui, et al.
Veröffentlicht: (2023)

Optimal Client Sampling in Federated Learning with Client-Level Heterogeneous Differential Privacy
von: Xu, Jiahao, et al.
Veröffentlicht: (2025)

Personalized One-shot Federated Graph Learning for Heterogeneous Clients
von: Yan, Guochen, et al.
Veröffentlicht: (2024)

Risk-Aware Accelerated Wireless Federated Learning with Heterogeneous Clients
von: Ads, Mohamed, et al.
Veröffentlicht: (2024)

Who to Trust? Aggregating Client Predictions in Federated Distillation
von: Kovalchuk, Viktor, et al.
Veröffentlicht: (2025)

Adaptive Heterogeneous Client Sampling for Federated Learning over Wireless Networks
von: Luo, Bing, et al.
Veröffentlicht: (2024)

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

From Novelty to Imitation: Self-Distilled Rewards for Offline Reinforcement Learning
von: Chaudhary, Gaurav, et al.
Veröffentlicht: (2025)

Socially inspired Adaptive Coalition and Client Selection in Federated Learning
von: Licciardi, Alessandro, et al.
Veröffentlicht: (2025)

Client Selection for Federated Policy Optimization with Environment Heterogeneity
von: Xie, Zhijie, et al.
Veröffentlicht: (2023)

Client Contribution Normalization for Enhanced Federated Learning
von: Kundalwal, Mayank Kumar, et al.
Veröffentlicht: (2024)

FedDPC : Handling Data Heterogeneity and Partial Client Participation in Federated Learning
von: Sen, Mrinmay, et al.
Veröffentlicht: (2025)

The Power of Bias: Optimizing Client Selection in Federated Learning with Heterogeneous Differential Privacy
von: Ma, Jiating, et al.
Veröffentlicht: (2024)

ILoRA: Federated Learning with Low-Rank Adaptation for Heterogeneous Client Aggregation
von: Zhou, Junchao, et al.
Veröffentlicht: (2025)

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

WinFLoRA: Incentivizing Client-Adaptive Aggregation in Federated LoRA under Privacy Heterogeneity
von: Kou, Mengsha, et al.
Veröffentlicht: (2026)

RL-ACRGNet: Reinforcement Learning-Based Chest Radiology Report Generation Network
von: Meena, Yogesh Kumar, et al.
Veröffentlicht: (2026)

Understanding the Performance and Power of LLM Inferencing on Edge Accelerators
von: Arya, Mayank, et al.
Veröffentlicht: (2025)

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

Adaptive Client Sampling in Federated Learning via Online Learning with Bandit Feedback
von: Zhao, Boxin, et al.
Veröffentlicht: (2021)

An Adaptive Clustering Scheme for Client Selections in Communication-Efficient Federated Learning
von: Chen, Yan-Ann, et al.
Veröffentlicht: (2025)