Buchumschlag

FedStale: leveraging stale client updates in federated learning

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Rodio, Angelo, Neglia, Giovanni
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Machine Learning Artificial Intelligence
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

A Unified Convergence Analysis for Semi-Decentralized Learning: Sampled-to-Sampled vs. Sampled-to-All Communication
von: Rodio, Angelo, et al.
Veröffentlicht: (2025)

Federated Learning for Collaborative Inference Systems: The Case of Early Exit Networks
von: Kaplan, Caelin, et al.
Veröffentlicht: (2024)

FedPSA: Modeling Behavioral Staleness in Asynchronous Federated Learning
von: Lu, Chaoyi, et al.
Veröffentlicht: (2026)

Green Federated Learning via Carbon-Aware Client and Time Slot Scheduling
von: Arputharaj, Daniel Richards, et al.
Veröffentlicht: (2025)

FedMSE: Semi-supervised federated learning approach for IoT network intrusion detection
von: Nguyen, Van Tuan, et al.
Veröffentlicht: (2024)

Robust sensor fusion against on-vehicle sensor staleness
von: Fan, Meng, et al.
Veröffentlicht: (2025)

Cutting Through Privacy: A Hyperplane-Based Data Reconstruction Attack in Federated Learning
von: Diana, Francesco, et al.
Veröffentlicht: (2025)

No More Guessing: a Verifiable Gradient Inversion Attack in Federated Learning
von: Diana, Francesco, et al.
Veröffentlicht: (2026)

FedGlu: A personalized federated learning-based glucose forecasting algorithm for improved performance in glycemic excursion regions
von: Dave, Darpit, et al.
Veröffentlicht: (2024)

Degree of Staleness-Aware Data Updating in Federated Learning
von: Liu, Tao, et al.
Veröffentlicht: (2025)

Optimizing Privacy-Utility Trade-off in Decentralized Learning with Generalized Correlated Noise
von: Rodio, Angelo, et al.
Veröffentlicht: (2025)

Local Model Reconstruction Attacks in Federated Learning and their Uses
von: Driouich, Ilias, et al.
Veröffentlicht: (2022)

Revisiting Gradient Staleness: Evaluating Distance Metrics for Asynchronous Federated Learning Aggregation
von: Wilhelm, Patrick, et al.
Veröffentlicht: (2026)

Unfolding AIS transmission behavior for vessel movement modeling on noisy data leveraging machine learning
von: Spadon, Gabriel, et al.
Veröffentlicht: (2022)

Attribute Inference Attacks for Federated Regression Tasks
von: Diana, Francesco, et al.
Veröffentlicht: (2024)

FedIFL: A federated cross-domain diagnostic framework for motor-driven systems with inconsistent fault modes
von: Wang, Zexiao, et al.
Veröffentlicht: (2025)

Overcoming label shift with target-aware federated learning
von: Zec, Edvin Listo, et al.
Veröffentlicht: (2024)

FedBEns: One-Shot Federated Learning based on Bayesian Ensemble
von: Talpini, Jacopo, et al.
Veröffentlicht: (2025)

Evaluating the Energy Consumption of Machine Learning: Systematic Literature Review and Experiments
von: Rodriguez, Charlotte, et al.
Veröffentlicht: (2024)

Prosperity before Collapse: How Far Can Off-Policy RL Reach with Stale Data on LLMs?
von: Zheng, Haizhong, et al.
Veröffentlicht: (2025)

FOAM: Frequency and Operator Error-Based Adaptive Damping Method for Reducing Staleness-Oriented Error for Shampoo
von: Nam, Kyunghun, et al.
Veröffentlicht: (2026)

Optimisation of federated learning settings under statistical heterogeneity variations
von: Suleiman, Basem, et al.
Veröffentlicht: (2024)

Toward efficient resource utilization at edge nodes in federated learning
von: Alawadi, Sadi, et al.
Veröffentlicht: (2023)

Multiplicative update rules for accelerating deep learning training and increasing robustness
von: Kirtas, Manos, et al.
Veröffentlicht: (2023)

Turning Stale Gradients into Stable Gradients: Coherent Coordinate Descent with Implicit Landscape Smoothing for Lightweight Zeroth-Order Optimization
von: Liang, Chen, et al.
Veröffentlicht: (2026)

Mitigating Staleness in Asynchronous Pipeline Parallelism via Basis Rotation
von: Jung, Hyunji, et al.
Veröffentlicht: (2026)

FedPIA -- Permuting and Integrating Adapters leveraging Wasserstein Barycenters for Finetuning Foundation Models in Multi-Modal Federated Learning
von: Saha, Pramit, et al.
Veröffentlicht: (2024)

FedCAR: Cross-client Adaptive Re-weighting for Generative Models in Federated Learning
von: Kim, Minjun, et al.
Veröffentlicht: (2024)

Hierarchically branched diffusion models leverage dataset structure for class-conditional generation
von: Tseng, Alex M., et al.
Veröffentlicht: (2022)

Understanding the Helpfulness of Stale Bot for Pull-based Development: An Empirical Study of 20 Large Open-Source Projects
von: Khatoonabadi, SayedHassan, et al.
Veröffentlicht: (2023)

A federated learning framework with knowledge graph and temporal transformer for early sepsis prediction in multi-center ICUs
von: Chang, Yue, et al.
Veröffentlicht: (2026)

DECODE: Data-driven Energy Consumption Prediction leveraging Historical Data and Environmental Factors in Buildings
von: Mishra, Aditya, et al.
Veröffentlicht: (2023)

FedSDR: Federated Self-Distillation with Rectification
von: Ren, Ziheng, et al.
Veröffentlicht: (2026)

A-3PO: Accelerating Asynchronous LLM Training with Staleness-aware Proximal Policy Approximation
von: Li, Xiaocan, et al.
Veröffentlicht: (2025)

A tale of two goals: leveraging sequentiality in multi-goal scenarios
von: Serris, Olivier, et al.
Veröffentlicht: (2025)

Fed-Credit: Robust Federated Learning with Credibility Management
von: Chen, Jiayan, et al.
Veröffentlicht: (2024)

FedModule: A Modular Federated Learning Framework
von: Chen, Chuyi, et al.
Veröffentlicht: (2024)

FedEGG: Federated Learning with Explicit Global Guidance
von: Zhai, Kun, et al.
Veröffentlicht: (2024)

FedBWO: Enhancing Communication Efficiency in Federated Learning
von: Hayyolalam, Vahideh, et al.
Veröffentlicht: (2025)

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