Buchumschlag

FedBRB: An Effective Solution to the Small-to-Large Scenario in Device-Heterogeneity Federated Learning

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Xu, Ziyue, Xu, Mingfeng, Liao, Tianchi, Zheng, Zibin, Chen, Chuan
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

Advances in Robust Federated Learning: A Survey with Heterogeneity Considerations
von: Chen, Chuan, et al.
Veröffentlicht: (2024)

FedEL: Federated Elastic Learning for Heterogeneous Devices
von: Zhang, Letian, et al.
Veröffentlicht: (2025)

FedHiP: Heterogeneity-Invariant Personalized Federated Learning Through Closed-Form Solutions
von: Tang, Jianheng, et al.
Veröffentlicht: (2025)

FedUMM: A General Framework for Federated Learning with Unified Multimodal Models
von: Su, Zhaolong, et al.
Veröffentlicht: (2026)

ParaAegis: Parallel Protection for Flexible Privacy-preserved Federated Learning
von: Wu, Zihou, et al.
Veröffentlicht: (2025)

Blockchain-empowered Federated Learning: Benefits, Challenges, and Solutions
von: Cai, Zeju, et al.
Veröffentlicht: (2024)

FedMHO: Heterogeneous One-Shot Federated Learning Towards Resource-Constrained Edge Devices
von: Yao, Dezhong, et al.
Veröffentlicht: (2025)

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

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

FedOAED: Federated On-Device Autoencoder Denoiser for Heterogeneous Data under Limited Client Availability
von: Howlader, S M Ruhul Kabir, et al.
Veröffentlicht: (2025)

FedDCSR: Federated Cross-domain Sequential Recommendation via Disentangled Representation Learning
von: Zhang, Hongyu, et al.
Veröffentlicht: (2023)

FedIN: Federated Intermediate Layers Learning for Model Heterogeneity
von: Chan, Yun-Hin, et al.
Veröffentlicht: (2023)

FedCCA: Client-Centric Adaptation against Data Heterogeneity in Federated Learning on IoT Devices
von: Wang, Kaile, et al.
Veröffentlicht: (2026)

FedLoRA-Optimizer: Federated LoRA Fine-Tuning with Global and Local Optimization in Heterogeneous Data Scenarios
von: Zhao, Jianzhe, et al.
Veröffentlicht: (2025)

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

FedRE: A Representation Entanglement Framework for Model-Heterogeneous Federated Learning
von: Yao, Yuan, et al.
Veröffentlicht: (2025)

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

FedEx: Expediting Federated Learning over Heterogeneous Mobile Devices by Overlapping and Participant Selection
von: Geng, Jiaxiang, et al.
Veröffentlicht: (2024)

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

Fed-GAME: Personalized Federated Learning with Graph Attention Mixture-of-Experts For Time-Series Forecasting
von: Li, Yi, et al.
Veröffentlicht: (2026)

FedHPL: Efficient Heterogeneous Federated Learning with Prompt Tuning and Logit Distillation
von: Ma, Yuting, et al.
Veröffentlicht: (2024)

M$^2$FedAQI: Multimodal Federated Learning for Air Quality Prediction on Heterogeneous Edge Devices
von: Nepal, Manjil, et al.
Veröffentlicht: (2026)

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

Fed-REACT: Federated Representation Learning for Heterogeneous and Evolving Data
von: Chen, Yiyue, et al.
Veröffentlicht: (2025)

FedFixer: Mitigating Heterogeneous Label Noise in Federated Learning
von: Ji, Xinyuan, et al.
Veröffentlicht: (2024)

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

FedHQ: Hybrid Runtime Quantization for Federated Learning
von: Zheng, Zihao, et al.
Veröffentlicht: (2025)

FedPAE: Peer-Adaptive Ensemble Learning for Asynchronous and Model-Heterogeneous Federated Learning
von: Mueller, Brianna, et al.
Veröffentlicht: (2024)

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

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

FedHarmony: Harmonizing Heterogeneous Label Correlations in Federated Multi-Label Learning
von: Kou, Zhiqiang, et al.
Veröffentlicht: (2026)

FedADP: Unified Model Aggregation for Federated Learning with Heterogeneous Model Architectures
von: Wang, Jiacheng, et al.
Veröffentlicht: (2025)

FedDifRC: Unlocking the Potential of Text-to-Image Diffusion Models in Heterogeneous Federated Learning
von: Wang, Huan, et al.
Veröffentlicht: (2025)

FedEM: A Privacy-Preserving Framework for Concurrent Utility Preservation in Federated Learning
von: Xu, Mingcong, et al.
Veröffentlicht: (2025)

Heterogeneous LoRA for Federated Fine-tuning of On-Device Foundation Models
von: Cho, Yae Jee, et al.
Veröffentlicht: (2024)

FedRE: Robust and Effective Federated Learning with Privacy Preference
von: Xiao, Tianzhe, et al.
Veröffentlicht: (2025)

FedVLMBench: Benchmarking Federated Fine-Tuning of Vision-Language Models
von: Zheng, Weiying, et al.
Veröffentlicht: (2025)

FedCompass: Efficient Cross-Silo Federated Learning on Heterogeneous Client Devices using a Computing Power Aware Scheduler
von: Li, Zilinghan, et al.
Veröffentlicht: (2023)

FedKL: Tackling Data Heterogeneity in Federated Reinforcement Learning by Penalizing KL Divergence
von: Xie, Zhijie, et al.
Veröffentlicht: (2022)

FlexFed: Mitigating Catastrophic Forgetting in Heterogeneous Federated Learning in Pervasive Computing Environments
von: Alosaime, Sara, et al.
Veröffentlicht: (2025)