Buchumschlag

A Biased Estimator for MinMax Sampling and Distributed Aggregation

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Wolfrath, Joel, Chandra, Abhishek
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Machine Learning Distributed, Parallel, and Cluster Computing Applications
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

SneakPeek: Data-Aware Model Selection and Scheduling for Inference Serving on the Edge
von: Wolfrath, Joel, et al.
Veröffentlicht: (2025)

Scalable Data Assimilation with Message Passing
von: Key, Oscar, et al.
Veröffentlicht: (2024)

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

Decentralized Personalized Federated Learning for Min-Max Problems
von: Borodich, Ekaterina, et al.
Veröffentlicht: (2021)

Enhancing Privacy in Decentralized Min-Max Optimization: A Differentially Private Approach
von: Quan, Yueyang, et al.
Veröffentlicht: (2025)

Near-Optimal Privacy-Preserving Learning for Max-Min Fair Multi-Agent Bandits
von: Leshem, Amir
Veröffentlicht: (2023)

When Swarm Learning meets energy series data: A decentralized collaborative learning design based on blockchain
von: Xu, Lei, et al.
Veröffentlicht: (2024)

Clust-PSI-PFL: A Population Stability Index Approach for Clustered Non-IID Personalized Federated Learning
von: Jimenez-Gutierrez, Daniel M., et al.
Veröffentlicht: (2025)

Self-Regulating Random Walks for Resilient Decentralized Learning on Graphs
von: Egger, Maximilian, et al.
Veröffentlicht: (2024)

Min-Max Gathering on Infinite Grid
von: Chakraborty, Abhinav, et al.
Veröffentlicht: (2024)

Byzantine Fault-Tolerant Min-Max Optimization
von: Liu, Shuo, et al.
Veröffentlicht: (2022)

On Biased Compression for Distributed Learning
von: Beznosikov, Aleksandr, et al.
Veröffentlicht: (2020)

Near-Optimal Resilient Aggregation Rules for Distributed Learning Using 1-Center and 1-Mean Clustering with Outliers
von: Yi, Yuhao, et al.
Veröffentlicht: (2023)

FedBaF: Federated Learning Aggregation Biased by a Foundation Model
von: Park, Jong-Ik, et al.
Veröffentlicht: (2024)

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

One-Shot Averaging for Distributed TD($λ$) Under Markov Sampling
von: Tian, Haoxing, et al.
Veröffentlicht: (2024)

Incentivizing Permissionless Distributed Learning of LLMs
von: Lidin, Joel, et al.
Veröffentlicht: (2025)

Low-Communication Resilient Distributed Estimation Algorithm Based on Memory Mechanism
von: Li, Wei, et al.
Veröffentlicht: (2025)

Order-Optimal Regret in Distributed Kernel Bandits using Uniform Sampling with Shared Randomness
von: Pavlovic, Nikola, et al.
Veröffentlicht: (2024)

Mask-Encoded Sparsification: Mitigating Biased Gradients in Communication-Efficient Split Learning
von: Zhou, Wenxuan, et al.
Veröffentlicht: (2024)

Orbax: Distributed Checkpointing with JAX
von: Gaffney, Colin, et al.
Veröffentlicht: (2026)

FLsim: A Modular and Library-Agnostic Simulation Framework for Federated Learning
von: Mukherjee, Arnab, et al.
Veröffentlicht: (2025)

DisAgg: Distributed Aggregators for Efficient Secure Aggregation in Federated Learning
von: Mehmood, Haaris, et al.
Veröffentlicht: (2026)

Federated Aggregation of Mallows Rankings: A Comparative Analysis of Borda and Lehmer Coding
von: Sima, Jin, et al.
Veröffentlicht: (2024)

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

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

DA-PFL: Dynamic Affinity Aggregation for Personalized Federated Learning
von: Yang, Xu, et al.
Veröffentlicht: (2024)

MAP: Model Aggregation and Personalization in Federated Learning with Incomplete Classes
von: Li, Xin-Chun, et al.
Veröffentlicht: (2024)

Robust Model Aggregation for Heterogeneous Federated Learning: Analysis and Optimizations
von: Shao, Yumeng, et al.
Veröffentlicht: (2024)

Resource-Aware Aggregation and Sparsification in Heterogeneous Ensemble Federated Learning
von: Ryum, Keumseo, et al.
Veröffentlicht: (2025)

FLAM: Evaluating Model Performance with Aggregatable Measures in Federated Learning
von: Stricker, Fabian, et al.
Veröffentlicht: (2026)

A Semi-Supervised Federated Learning Framework with Hierarchical Clustering Aggregation for Heterogeneous Satellite Networks
von: Liu, Zhuocheng, et al.
Veröffentlicht: (2025)

Optimal Transport Aggregation for Distributed Mixture-of-Experts
von: Chamroukhi, Faïcel, et al.
Veröffentlicht: (2023)

Federated Learning Survey: A Multi-Level Taxonomy of Aggregation Techniques, Experimental Insights, and Future Frontiers
von: Arbaoui, Meriem, et al.
Veröffentlicht: (2025)

Asyn2F: An Asynchronous Federated Learning Framework with Bidirectional Model Aggregation
von: Cao, Tien-Dung, et al.
Veröffentlicht: (2024)

FedRPCA: Enhancing Federated LoRA Aggregation Using Robust PCA
von: Jhunjhunwala, Divyansh, et al.
Veröffentlicht: (2025)

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

Distributed Matrix-Based Sampling for Graph Neural Network Training
von: Tripathy, Alok, et al.
Veröffentlicht: (2023)

TurboSVM-FL: Boosting Federated Learning through SVM Aggregation for Lazy Clients
von: Wang, Mengdi, et al.
Veröffentlicht: (2024)

RBLA: Rank-Based-LoRA-Aggregation for Fine-tuning Heterogeneous Models in FLaaS
von: Chen, Shuaijun, et al.
Veröffentlicht: (2024)