Buchumschlag

Dynamic Client Clustering, Bandwidth Allocation, and Workload Optimization for Semi-synchronous Federated Learning

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Yu, Liangkun, Sun, Xiang, Albelaihi, Rana, Park, Chaeeun, Shao, Sihua
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Distributed, Parallel, and Cluster Computing
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Resource Optimization with MPI Process Malleability for Dynamic Workloads in HPC Clusters
von: Iserte, Sergio, et al.
Veröffentlicht: (2025)

Energy-efficient Federated Learning with Dynamic Model Size Allocation
von: Kumar, M S Chaitanya, et al.
Veröffentlicht: (2024)

FedCAda: Adaptive Client-Side Optimization for Accelerated and Stable Federated Learning
von: Zhou, Liuzhi, et al.
Veröffentlicht: (2024)

PRISM: Dynamic Primitive-Based Forecasting for Large-Scale GPU Cluster Workloads
von: Wu, Xin, et al.
Veröffentlicht: (2026)

TailBench++: Flexible Multi-Client, Multi-Server Benchmarking for Latency-Critical Workloads
von: Li, Zhilin, et al.
Veröffentlicht: (2025)

Flexible Clustered Federated Learning for Client-Level Data Distribution Shift
von: Duan, Moming, et al.
Veröffentlicht: (2021)

Optimization of Federated Learning's Client Selection for Non-IID Data Based on Grey Relational Analysis
von: Chen, Shuaijun, et al.
Veröffentlicht: (2023)

Bandwidth-Aware Network Topology Optimization for Decentralized Learning
von: Shen, Yipeng, et al.
Veröffentlicht: (2025)

Optimizing Memory Allocation in Distributed Clusters with Predictive Modeling
von: Bader, Jonathan, et al.
Veröffentlicht: (2026)

Bridging Memory Gaps: Scaling Federated Learning for Heterogeneous Clients
von: Wu, Yebo, et al.
Veröffentlicht: (2024)

Federated Learning in the Presence of Adversarial Client Unavailability
von: Su, Lili, et al.
Veröffentlicht: (2023)

Fed-pilot: Optimizing LoRA Allocation for Efficient Federated Fine-Tuning with Heterogeneous Clients
von: Zhang, Zikai, et al.
Veröffentlicht: (2024)

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

Efficient Data Labeling and Optimal Device Scheduling in HWNs Using Clustered Federated Semi-Supervised Learning
von: Hamood, Moqbel, et al.
Veröffentlicht: (2024)

Eventually-Consistent Federated Scheduling for Data Center Workloads
von: Thiyyakat, Meghana, et al.
Veröffentlicht: (2023)

Data Heterogeneity-Aware Client Selection for Federated Learning in Wireless Networks
von: Yang, Yanbing, et al.
Veröffentlicht: (2025)

CSAFL: A Clustered Semi-Asynchronous Federated Learning Framework
von: Zhang, Yu, et al.
Veröffentlicht: (2021)

SP-MoE: Speculative Decoding and Prefetching for Accelerating MoE-based Model Inference
von: Chen, Liangkun, et al.
Veröffentlicht: (2025)

Optimizing Resource Allocation and Energy Efficiency in Federated Fog Computing for IoT
von: Shah, Syed Sarmad, et al.
Veröffentlicht: (2025)

Federated Semi-Supervised and Semi-Asynchronous Learning for Anomaly Detection in IoT Networks
von: Zhai, Wenbin, et al.
Veröffentlicht: (2023)

Debiasing Federated Learning with Correlated Client Participation
von: Sun, Zhenyu, et al.
Veröffentlicht: (2024)

Online Client Scheduling and Resource Allocation for Efficient Federated Edge Learning
von: Gao, Zhidong, et al.
Veröffentlicht: (2024)

Semi-decentralized Federated Time Series Prediction with Client Availability Budgets
von: Bao, Yunkai, et al.
Veröffentlicht: (2025)

Pollen: High-throughput Federated Learning Simulation via Resource-Aware Client Placement
von: Sani, Lorenzo, et al.
Veröffentlicht: (2023)

Dispatching Odyssey: Exploring Performance in Computing Clusters under Real-world Workloads
von: Yildiz, Mert, et al.
Veröffentlicht: (2025)

Evaluating Malleable Job Scheduling in HPC Clusters using Real-World Workloads
von: Zojer, Patrick, et al.
Veröffentlicht: (2026)

PAL: A Variability-Aware Policy for Scheduling ML Workloads in GPU Clusters
von: Jain, Rutwik, et al.
Veröffentlicht: (2024)

Distributed Bilevel Optimization with Dual Pruning for Resource-limited Clients
von: Li, Mingyi, et al.
Veröffentlicht: (2025)

Crossword: Adaptive Consensus for Dynamic Data-Heavy Workloads
von: Hu, Guanzhou, et al.
Veröffentlicht: (2025)

ServeGen: Workload Characterization and Generation of Large Language Model Serving in Production
von: Xiang, Yuxing, et al.
Veröffentlicht: (2025)

Decentralized Proactive Model Offloading and Resource Allocation for Split and Federated Learning
von: Huang, Binbin, et al.
Veröffentlicht: (2024)

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

Towards Client Driven Federated Learning
von: Li, Songze, et al.
Veröffentlicht: (2024)

Analysis and Optimization of Wireless Multimodal Federated Learning on Modal Heterogeneity
von: Han, Xuefeng, et al.
Veröffentlicht: (2025)

SealOS+: A Sealos-based Approach for Adaptive Resource Optimization Under Dynamic Workloads for Securities Trading System
von: Jia, Haojie, et al.
Veröffentlicht: (2025)

Towards Dynamic Resource Allocation and Client Scheduling in Hierarchical Federated Learning: A Two-Phase Deep Reinforcement Learning Approach
von: Chen, Xiaojing, et al.
Veröffentlicht: (2024)

SDFLMQ: A Semi-Decentralized Federated Learning Framework over MQTT
von: Ali-Pour, Amir, et al.
Veröffentlicht: (2025)

A Deep Dive into the Google Cluster Workload Traces: Analyzing the Application Failure Characteristics and User Behaviors
von: Bappy, Faisal Haque, et al.
Veröffentlicht: (2023)

Local Gradient Regulation Stabilizes Federated Learning under Client Heterogeneity
von: Luo, Ping, et al.
Veröffentlicht: (2026)

MimiC: Combating Client Dropouts in Federated Learning by Mimicking Central Updates
von: Sun, Yuchang, et al.
Veröffentlicht: (2023)