Buchumschlag

FedAC: An Adaptive Clustered Federated Learning Framework for Heterogeneous Data

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Zhang, Yuxin, Chen, Haoyu, Lin, Zheng, Chen, Zhe, Zhao, Jin
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Machine Learning Artificial Intelligence Distributed, Parallel, and Cluster Computing
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

LCFed: An Efficient Clustered Federated Learning Framework for Heterogeneous Data
von: Zhang, Yuxin, et al.
Veröffentlicht: (2025)

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

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

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

FedDAG: Clustered Federated Learning via Global Data and Gradient Integration for Heterogeneous Environments
von: Pramanik, Anik, et al.
Veröffentlicht: (2026)

HASFL: Heterogeneity-aware Split Federated Learning over Edge Computing Systems
von: Lin, Zheng, et al.
Veröffentlicht: (2025)

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

Efficient Federated Learning with Heterogeneous Data and Adaptive Dropout
von: Liu, Ji, et al.
Veröffentlicht: (2025)

FedAA: A Reinforcement Learning Perspective on Adaptive Aggregation for Fair and Robust Federated Learning
von: He, Jialuo, et al.
Veröffentlicht: (2024)

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

HSplitLoRA: A Heterogeneous Split Parameter-Efficient Fine-Tuning Framework for Large Language Models
von: Lin, Zheng, et al.
Veröffentlicht: (2025)

FedLPS: Heterogeneous Federated Learning for Multiple Tasks with Local Parameter Sharing
von: Jia, Yongzhe, et al.
Veröffentlicht: (2024)

FedLECC: Cluster- and Loss-Guided Client Selection for Federated Learning under Non-IID Data
von: Jimenez-Gutierrez, Daniel M., et al.
Veröffentlicht: (2026)

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

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

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

FedSAE: A Novel Self-Adaptive Federated Learning Framework in Heterogeneous Systems
von: Li, Li, et al.
Veröffentlicht: (2021)

LLM-PQ: Serving LLM on Heterogeneous Clusters with Phase-Aware Partition and Adaptive Quantization
von: Zhao, Juntao, et al.
Veröffentlicht: (2024)

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

AdaptSFL: Adaptive Split Federated Learning in Resource-constrained Edge Networks
von: Lin, Zheng, et al.
Veröffentlicht: (2024)

Dual-Segment Clustering Strategy for Hierarchical Federated Learning in Heterogeneous Wireless Environments
von: Sun, Pengcheng, et al.
Veröffentlicht: (2024)

Adaptive Active Inference Agents for Heterogeneous and Lifelong Federated Learning
von: Danilenka, Anastasiya, et al.
Veröffentlicht: (2024)

FedFusion: Federated Learning with Diversity- and Cluster-Aware Encoders for Robust Adaptation under Label Scarcity
von: Kahenga, Ferdinand, et al.
Veröffentlicht: (2025)

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

A Closer Look at Personalized Fine-Tuning in Heterogeneous Federated Learning
von: Chen, Minghui, et al.
Veröffentlicht: (2025)

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

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

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

CG-FedLLM: How to Compress Gradients in Federated Fune-tuning for Large Language Models
von: Wu, Huiwen, et al.
Veröffentlicht: (2024)

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

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

FedRef: Bayesian Fine-Tuning using a Reference Model to Mitigate Catastrophic Forgetting for Heterogeneous Federated Learning
von: Yoon, Taehwan, et al.
Veröffentlicht: (2025)

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

FedRA: A Random Allocation Strategy for Federated Tuning to Unleash the Power of Heterogeneous Clients
von: Su, Shangchao, et al.
Veröffentlicht: (2023)

FedASTA: Federated adaptive spatial-temporal attention for traffic flow prediction
von: Li, Kaiyuan, et al.
Veröffentlicht: (2024)

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

Gradient Correction in Federated Learning with Adaptive Optimization
von: Chen, Evan, et al.
Veröffentlicht: (2025)

FedFa: A Fully Asynchronous Training Paradigm for Federated Learning
von: Xu, Haotian, et al.
Veröffentlicht: (2024)

Selective Knowledge Sharing for Personalized Federated Learning Under Capacity Heterogeneity
von: Wang, Zheng, et al.
Veröffentlicht: (2024)

Beyond Aggregation: Guiding Clients in Heterogeneous Federated Learning
von: Wang, Zijian, et al.
Veröffentlicht: (2025)