Buchumschlag

FedFair^3: Unlocking Threefold Fairness in Federated Learning

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Javaherian, Simin, Panta, Sanjeev, Williams, Shelby, Islam, Md Sirajul, Chen, Li
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Machine Learning Artificial Intelligence Computers and Society Distributed, Parallel, and Cluster Computing
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

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

SEAFL: Enhancing Efficiency in Semi-Asynchronous Federated Learning through Adaptive Aggregation and Selective Training
von: Islam, Md Sirajul, et al.
Veröffentlicht: (2025)

FedClust: Optimizing Federated Learning on Non-IID Data through Weight-Driven Client Clustering
von: Islam, Md Sirajul, et al.
Veröffentlicht: (2024)

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

Federated Fairness without Access to Sensitive Groups
von: Papadaki, Afroditi, et al.
Veröffentlicht: (2024)

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

CurvFed: Curvature-Aligned Federated Learning for Fairness without Demographics
von: Sharma, Harshit, 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)

FairBatching: Fairness-Aware Batch Formation for LLM Inference
von: Lyu, Hongtao, et al.
Veröffentlicht: (2025)

Incentive-Compatible Federated Learning with Stackelberg Game Modeling
von: Javaherian, Simin, et al.
Veröffentlicht: (2025)

Calibre: Towards Fair and Accurate Personalized Federated Learning with Self-Supervised Learning
von: Chen, Sijia, et al.
Veröffentlicht: (2024)

Equinox: Holistic Fair Scheduling in Serving Large Language Models
von: Wei, Zhixiang, et al.
Veröffentlicht: (2025)

Fairness-Aware Job Scheduling for Multi-Job Federated Learning
von: Shi, Yuxin, et al.
Veröffentlicht: (2024)

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

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

FedRAV: Hierarchically Federated Region-Learning for Traffic Object Classification of Autonomous Vehicles
von: Zhai, Yijun, et al.
Veröffentlicht: (2024)

FedPAW: Federated Learning with Personalized Aggregation Weights for Urban Vehicle Speed Prediction
von: He, Yuepeng, et al.
Veröffentlicht: (2024)

PraFFL: A Preference-Aware Scheme in Fair Federated Learning
von: Ye, Rongguang, et al.
Veröffentlicht: (2024)

FairKV: Balancing Per-Head KV Cache for Fast Multi-GPU Inference
von: Zhao, Bingzhe, et al.
Veröffentlicht: (2025)

Empirical Analysis of Asynchronous Federated Learning on Heterogeneous Devices: Efficiency, Fairness, and Privacy Trade-offs
von: Mohammadi, Samaneh, et al.
Veröffentlicht: (2025)

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

FedAT: Federated Adversarial Training for Distributed Insider Threat Detection
von: Gayathri, R G, et al.
Veröffentlicht: (2024)

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

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

Design a Win-Win Strategy That Is Fair to Both Service Providers and Tasks When Rejection Is Not an Option
von: Trabelsi, Yohai, et al.
Veröffentlicht: (2024)

Grassroots Federation: Fair Democratic Governance at Scale
von: Shapiro, Ehud, et al.
Veröffentlicht: (2025)

FedMT: Federated Learning with Mixed-type Labels
von: Zhang, Qiong, et al.
Veröffentlicht: (2022)

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

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

Federated Fairness Analytics: Quantifying Fairness in Federated Learning
von: Dilley, Oscar, et al.
Veröffentlicht: (2024)

FedGA: A Fair Federated Learning Framework Based on the Gini Coefficient
von: Liu, ShanBin
Veröffentlicht: (2025)

FedTilt: Towards Multi-Level Fairness-Preserving and Robust Federated Learning
von: Zhang, Binghui, et al.
Veröffentlicht: (2025)

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

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

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

FedStaleWeight: Buffered Asynchronous Federated Learning with Fair Aggregation via Staleness Reweighting
von: Ma, Jeffrey, et al.
Veröffentlicht: (2024)

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

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

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

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