Buchumschlag

Federated Learning with Extremely Noisy Clients via Negative Distillation

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Lu, Yang, Chen, Lin, Zhang, Yonggang, Zhang, Yiliang, Han, Bo, Cheung, Yiu-ming, Wang, Hanzi
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

Classifying Long-tailed and Label-noise Data via Disentangling and Unlearning
von: Shu, Chen, et al.
Veröffentlicht: (2025)

FedGPS: Statistical Rectification Against Data Heterogeneity in Federated Learning
von: Yang, Zhiqin, et al.
Veröffentlicht: (2025)

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

HyReaL: Clustering Attributed Graph via Hyper-Complex Space Representation Learning
von: Chen, Junyang, et al.
Veröffentlicht: (2024)

CADM: Cluster-customized Adaptive Distance Metric for Categorical Data Clustering
von: Chen, Taixi, et al.
Veröffentlicht: (2025)

FuseFL: One-Shot Federated Learning through the Lens of Causality with Progressive Model Fusion
von: Tang, Zhenheng, et al.
Veröffentlicht: (2024)

Asynchronous Federated Clustering with Unknown Number of Clusters
von: Zhang, Yunfan, et al.
Veröffentlicht: (2024)

Learning Unified Distance Metric for Heterogeneous Attribute Data Clustering
von: Zhang, Yiqun, et al.
Veröffentlicht: (2026)

Categorical Data Clustering via Value Order Estimated Distance Metric Learning
von: Zhang, Yiqun, et al.
Veröffentlicht: (2024)

Bridging the Semantic Gap for Categorical Data Clustering via Large Language Models
von: Yang, Zihua, et al.
Veröffentlicht: (2026)

Robust Training of Federated Models with Extremely Label Deficiency
von: Zhang, Yonggang, et al.
Veröffentlicht: (2024)

Improve Knowledge Distillation via Label Revision and Data Selection
von: Lan, Weichao, et al.
Veröffentlicht: (2024)

Learning Order Forest for Qualitative-Attribute Data Clustering
von: Zhao, Mingjie, et al.
Veröffentlicht: (2026)

MOKD: Cross-domain Finetuning for Few-shot Classification via Maximizing Optimized Kernel Dependence
von: Tian, Hongduan, et al.
Veröffentlicht: (2024)

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

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

Robust Federated Learning against Noisy Clients via Masked Optimization
von: Jiang, Xuefeng, et al.
Veröffentlicht: (2025)

CCE: Confidence-Consistency Evaluation for Time Series Anomaly Detection
von: Zhong, Zhijie, et al.
Veröffentlicht: (2025)

Break the Tie: Learning Cluster-Customized Category Relationships for Categorical Data Clustering
von: Zhao, Mingjie, et al.
Veröffentlicht: (2025)

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

GBRIP: Granular Ball Representation for Imbalanced Partial Label Learning
von: Huang, Jintao, et al.
Veröffentlicht: (2024)

PRO-VPT: Distribution-Adaptive Visual Prompt Tuning via Prompt Relocation
von: Shang, Chikai, et al.
Veröffentlicht: (2025)

Robust Learning of Diffusion Models with Extremely Noisy Conditions
von: Chen, Xin, et al.
Veröffentlicht: (2025)

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

One-Shot Hierarchical Federated Clustering
von: Cai, Shenghong, et al.
Veröffentlicht: (2026)

Enhancing One-Shot Federated Learning Through Data and Ensemble Co-Boosting
von: Dai, Rong, et al.
Veröffentlicht: (2024)

FedMoE: Personalized Federated Learning via Heterogeneous Mixture of Experts
von: Mei, Hanzi, et al.
Veröffentlicht: (2024)

FATE: A Prompt-Tuning-Based Semi-Supervised Learning Framework for Extremely Limited Labeled Data
von: Liu, Hezhao, et al.
Veröffentlicht: (2025)

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

Semantic-guided Fine-tuning of Foundation Model for Long-tailed Visual Recognition
von: Peng, Yufei, et al.
Veröffentlicht: (2025)

Client2Vec: Improving Federated Learning by Distribution Shifts Aware Client Indexing
von: Guo, Yongxin, et al.
Veröffentlicht: (2024)

GPFL: A Gradient Projection-Based Client Selection Framework for Efficient Federated Learning
von: Na, Shijie, et al.
Veröffentlicht: (2024)

Adaptive Self-Distillation for Minimizing Client Drift in Heterogeneous Federated Learning
von: Yashwanth, M, et al.
Veröffentlicht: (2023)

Federated Graph Learning with Graphless Clients
von: Fu, Xingbo, et al.
Veröffentlicht: (2024)

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

Learning Self-Growth Maps for Fast and Accurate Imbalanced Streaming Data Clustering
von: Zhang, Yiqun, et al.
Veröffentlicht: (2024)

Mind the Gap: Confidence Discrepancy Can Guide Federated Semi-Supervised Learning Across Pseudo-Mismatch
von: Liu, Yijie, et al.
Veröffentlicht: (2025)

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

Distilling A Universal Expert from Clustered Federated Learning
von: Leng, Zeqi, et al.
Veröffentlicht: (2025)

Rethinking Client-oriented Federated Graph Learning
von: Chen, Zekai, et al.
Veröffentlicht: (2025)