Buchumschlag

Budgeted Online Model Selection and Fine-Tuning via Federated Learning

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Ghari, Pouya M., Shen, Yanning
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Personalized Federated Learning with Mixture of Models for Adaptive Prediction and Model Fine-Tuning
von: Ghari, Pouya M., et al.
Veröffentlicht: (2024)

Iterative Foundation Model Fine-Tuning on Multiple Rewards
von: Ghari, Pouya M., et al.
Veröffentlicht: (2025)

Adaptive Policy Selection and Fine-Tuning under Interaction Budgets for Offline-to-Online Reinforcement Learning
von: Bozkurt, Alper Kamil, et al.
Veröffentlicht: (2026)

Enhanced Multi-model Online Conformal Prediction
von: Hajihashemi, Erfan, et al.
Veröffentlicht: (2026)

Multi-model Online Conformal Prediction with Graph-Structured Feedback
von: Hajihashemi, Erfan, et al.
Veröffentlicht: (2025)

Learn to Explore: Meta NAS via Bayesian Optimization Guided Graph Generation
von: Sun, Zijun, et al.
Veröffentlicht: (2025)

Exploring Selective Layer Fine-Tuning in Federated Learning
von: Sun, Yuchang, et al.
Veröffentlicht: (2024)

FedSelect: Personalized Federated Learning with Customized Selection of Parameters for Fine-Tuning
von: Tamirisa, Rishub, et al.
Veröffentlicht: (2024)

FedSelect: Customized Selection of Parameters for Fine-Tuning during Personalized Federated Learning
von: Tamirisa, Rishub, et al.
Veröffentlicht: (2023)

Adaptive LoRA Experts Allocation and Selection for Federated Fine-Tuning
von: Wang, Lei, et al.
Veröffentlicht: (2025)

Is Noise Conditioning Necessary? A Unified Theory of Unconditional Graph Diffusion Models
von: Li, Jipeng, et al.
Veröffentlicht: (2025)

BALF: Budgeted Activation-Aware Low-Rank Factorization for Fine-Tuning-Free Model Compression
von: González-Martínez, David
Veröffentlicht: (2025)

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

Self-Play Enhancement via Advantage-Weighted Refinement in Online Federated LLM Fine-Tuning with Real-Time Feedback
von: Lee, Seohyun, et al.
Veröffentlicht: (2026)

Predictors of Childhood Vaccination Uptake in England: An Explainable Machine Learning Analysis of Longitudinal Regional Data (2021-2024)
von: Noroozi, Amin, et al.
Veröffentlicht: (2025)

Personalized Federated Fine-Tuning for LLMs via Data-Driven Heterogeneous Model Architectures
von: Zhang, Yicheng, et al.
Veröffentlicht: (2024)

Enhancing Reinforcement Learning Fine-Tuning with an Online Refiner
von: Ma, Hao, et al.
Veröffentlicht: (2026)

Preserving Domain Generalization in Fine-Tuning via Joint Parameter Selection
von: Pan, Bin, et al.
Veröffentlicht: (2025)

Learning What Reinforcement Learning Can't: Interleaved Online Fine-Tuning for Hardest Questions
von: Ma, Lu, et al.
Veröffentlicht: (2025)

Communication-Efficient and Personalized Federated Foundation Model Fine-Tuning via Tri-Matrix Adaptation
von: Li, Yongle, et al.
Veröffentlicht: (2025)

Trustworthy Personalized Bayesian Federated Learning via Posterior Fine-Tune
von: Luo, Mengen, et al.
Veröffentlicht: (2024)

Task-Centric Personalized Federated Fine-Tuning of Language Models
von: Talasso, Gabriel U., et al.
Veröffentlicht: (2026)

A Survey on Parameter-Efficient Fine-Tuning for Foundation Models in Federated Learning
von: Bian, Jieming, et al.
Veröffentlicht: (2025)

Filter-then-Weight: Online Data Selection and Reweighting for LLM Fine-Tuning
von: Wang, Fangxin, et al.
Veröffentlicht: (2026)

Feedback Efficient Online Fine-Tuning of Diffusion Models
von: Uehara, Masatoshi, et al.
Veröffentlicht: (2024)

Efficient Online Reinforcement Learning Fine-Tuning Need Not Retain Offline Data
von: Zhou, Zhiyuan, et al.
Veröffentlicht: (2024)

H2Tune: Federated Foundation Model Fine-Tuning with Hybrid Heterogeneity
von: Guo, Wei, et al.
Veröffentlicht: (2025)

Fine-Tuning Personalization in Federated Learning to Mitigate Adversarial Clients
von: Allouah, Youssef, et al.
Veröffentlicht: (2024)

Fine-Tuning Federated Learning-Based Intrusion Detection Systems for Transportation IoT
von: Akinie, Robert, et al.
Veröffentlicht: (2025)

Multi-model Ensemble Conformal Prediction in Dynamic Environments
von: Hajihashemi, Erfan, et al.
Veröffentlicht: (2024)

Memory-Efficient Fine-Tuning of Transformers via Token Selection
von: Simoulin, Antoine, et al.
Veröffentlicht: (2025)

FedPFT: Federated Proxy Fine-Tuning of Foundation Models
von: Peng, Zhaopeng, et al.
Veröffentlicht: (2024)

Resource-Efficient Federated Fine-Tuning Large Language Models for Heterogeneous Data
von: Liu, Jun, et al.
Veröffentlicht: (2025)

Budgeted Online Influence Maximization
von: Perrault, Pierre, et al.
Veröffentlicht: (2026)

EGGS-PTP: An Expander-Graph Guided Structured Post-training Pruning Method for Large Language Models
von: Bazarbachi, Omar, et al.
Veröffentlicht: (2025)

The Risk of Federated Learning to Skew Fine-Tuning Features and Underperform Out-of-Distribution Robustness
von: Du, Mengyao, et al.
Veröffentlicht: (2024)

Exploring Parameter-Efficient Fine-Tuning to Enable Foundation Models in Federated Learning
von: Sun, Guangyu, et al.
Veröffentlicht: (2022)

Flexible Personalized Split Federated Learning for On-Device Fine-Tuning of Foundation Models
von: Yuan, Tianjun, et al.
Veröffentlicht: (2025)

Implicit Federated In-context Learning For Task-Specific LLM Fine-Tuning
von: Li, Dongcheng, et al.
Veröffentlicht: (2025)

LoKO: Low-Rank Kalman Optimizer for Online Fine-Tuning of Large Models
von: Abdi, Hossein, et al.
Veröffentlicht: (2024)