Buchumschlag

Accelerating Federated Learning by Selecting Beneficial Herd of Local Gradients

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Luo, Ping, Deng, Xiaoge, Wen, Ziqing, Sun, Tao, Li, Dongsheng
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Machine Learning Distributed, Parallel, and Cluster Computing
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

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

Communication-Efficient Distributed Learning via Sparse and Adaptive Stochastic Gradient
von: Deng, Xiaoge, et al.
Veröffentlicht: (2021)

A Joint Approach to Local Updating and Gradient Compression for Efficient Asynchronous Federated Learning
von: Song, Jiajun, et al.
Veröffentlicht: (2024)

FedQS: Optimizing Gradient and Model Aggregation for Semi-Asynchronous Federated Learning
von: Li, Yunbo, et al.
Veröffentlicht: (2025)

Locally Estimated Global Perturbations are Better than Local Perturbations for Federated Sharpness-aware Minimization
von: Fan, Ziqing, et al.
Veröffentlicht: (2024)

Fast Decentralized Gradient Tracking for Federated Minimax Optimization with Local Updates
von: Li, Chris Junchi
Veröffentlicht: (2024)

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

GPFL: A Gradient Projection-Based Client Selection Framework for Efficient Federated Learning
von: Na, Shijie, et al.
Veröffentlicht: (2024)

FedGCS: A Generative Framework for Efficient Client Selection in Federated Learning via Gradient-based Optimization
von: Ning, Zhiyuan, et al.
Veröffentlicht: (2024)

Federated Learning with Bilateral Curation for Partially Class-Disjoint Data
von: Fan, Ziqing, et al.
Veröffentlicht: (2024)

Adaptive Client Selection via Q-Learning-based Whittle Index in Wireless Federated Learning
von: Li, Qiyue, et al.
Veröffentlicht: (2025)

Federated Learning under Partially Class-Disjoint Data via Manifold Reshaping
von: Fan, Ziqing, et al.
Veröffentlicht: (2024)

Ranking-based Client Selection with Imitation Learning for Efficient Federated Learning
von: Tian, Chunlin, et al.
Veröffentlicht: (2024)

Buffer-based Gradient Projection for Continual Federated Learning
von: Dai, Shenghong, et al.
Veröffentlicht: (2024)

FedAgg: Adaptive Federated Learning with Aggregated Gradients
von: Yuan, Wenhao, et al.
Veröffentlicht: (2023)

Accelerating Wireless Distributed Learning via Hybrid Split and Federated Learning Optimization
von: Guo, Kun, et al.
Veröffentlicht: (2025)

Optimal Routing for Federated Learning over Dynamic Satellite Networks: Tractable or Not?
von: Zhao, Yi, et al.
Veröffentlicht: (2026)

Convergence-Privacy-Fairness Trade-Off in Personalized Federated Learning
von: Zhao, Xiyu, et al.
Veröffentlicht: (2025)

Efficient Data Distribution Estimation for Accelerated Federated Learning
von: Wang, Yuanli, et al.
Veröffentlicht: (2024)

Vertical Federated Learning Hybrid Local Pre-training
von: Li, Wenguo, et al.
Veröffentlicht: (2024)

On the Convergence of Continual Federated Learning Using Incrementally Aggregated Gradients
von: Keshri, Satish Kumar, et al.
Veröffentlicht: (2024)

Robust Decentralized Learning with Local Updates and Gradient Tracking
von: Ghiasvand, Sajjad, et al.
Veröffentlicht: (2024)

Accelerating Hybrid Federated Learning Convergence under Partial Participation
von: Bian, Jieming, et al.
Veröffentlicht: (2023)

Age-of-Gradient Updates for Federated Learning over Random Access Channels
von: Wu, Yu Heng, et al.
Veröffentlicht: (2024)

An Efficient Gradient-Aware Error-Bounded Lossy Compressor for Federated Learning
von: Ye, Zhijing, et al.
Veröffentlicht: (2025)

Efficient Federated Learning against Byzantine Attacks and Data Heterogeneity via Aggregating Normalized Gradients
von: Zuo, Shiyuan, et al.
Veröffentlicht: (2024)

FedOSAA: Improving Federated Learning with One-Step Anderson Acceleration
von: Feng, Xue, et al.
Veröffentlicht: (2025)

Emulating Full Participation: An Effective and Fair Client Selection Strategy for Federated Learning
von: Li, Qingming, et al.
Veröffentlicht: (2024)

The Impact of Cut Layer Selection in Split Federated Learning
von: Dachille, Justin, et al.
Veröffentlicht: (2024)

Towards Communication-efficient Federated Learning via Sparse and Aligned Adaptive Optimization
von: Deng, Xiumei, et al.
Veröffentlicht: (2024)

LoGoFair: Post-Processing for Local and Global Fairness in Federated Learning
von: Zhang, Li, et al.
Veröffentlicht: (2025)

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

The Panaceas for Improving Low-Rank Decomposition in Communication-Efficient Federated Learning
von: Li, Shiwei, et al.
Veröffentlicht: (2025)

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

SPD-CFL: Stepwise Parameter Dropout for Efficient Continual Federated Learning
von: Yang, Yuning, et al.
Veröffentlicht: (2024)

Maverick-Aware Shapley Valuation for Client Selection in Federated Learning
von: Yang, Mengwei, et al.
Veröffentlicht: (2024)

Adaptive Client Selection with Personalization for Communication Efficient Federated Learning
von: de Souza, Allan M., et al.
Veröffentlicht: (2024)

Heterogeneity-Aware Client Selection Methodology For Efficient Federated Learning
von: Balivada, Nihal, et al.
Veröffentlicht: (2026)

Greedy Shapley Client Selection for Communication-Efficient Federated Learning
von: Singhal, Pranava, et al.
Veröffentlicht: (2023)

Enhancing Convergence, Privacy and Fairness for Wireless Personalized Federated Learning: Quantization-Assisted Min-Max Fair Scheduling
von: Zhao, Xiyu, et al.
Veröffentlicht: (2025)