Buchumschlag

On-Demand Model and Client Deployment in Federated Learning with Deep Reinforcement Learning

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Chahoud, Mario, Sami, Hani, Mourad, Azzam, Otrok, Hadi, Bentahar, Jamal, Guizani, Mohsen
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Trust Driven On-Demand Scheme for Client Deployment in Federated Learning
von: Chahoud, Mario, et al.
Veröffentlicht: (2024)

FL-PBM: Pre-Training Backdoor Mitigation for Federated Learning
von: Wehbi, Osama, et al.
Veröffentlicht: (2026)

Blockchain-based Crowdsourced Deep Reinforcement Learning as a Service
von: Alagha, Ahmed, et al.
Veröffentlicht: (2025)

Blockchain-assisted Demonstration Cloning for Multi-Agent Deep Reinforcement Learning
von: Alagha, Ahmed, et al.
Veröffentlicht: (2025)

A Survey on Large Language Models for Communication, Network, and Service Management: Application Insights, Challenges, and Future Directions
von: Boateng, Gordon Owusu, et al.
Veröffentlicht: (2024)

Adaptive Target Localization under Uncertainty using Multi-Agent Deep Reinforcement Learning with Knowledge Transfer
von: Alagha, Ahmed, et al.
Veröffentlicht: (2025)

End-to-End Framework Integrating Generative AI and Deep Reinforcement Learning for Autonomous Ultrasound Scanning
von: Elmekki, Hanae, et al.
Veröffentlicht: (2025)

Enhancing Mutual Trustworthiness in Federated Learning for Data-Rich Smart Cities
von: Wehbi, Osama, et al.
Veröffentlicht: (2024)

Federated Learning and Evolutionary Game Model for Fog Federation Formation
von: Yasser, Zyad, et al.
Veröffentlicht: (2024)

Mitigating Backdoor Attacks in Federated Learning Using PPA and MiniMax Game Theory
von: Wehbi, Osama, et al.
Veröffentlicht: (2026)

CRSFL: Cluster-based Resource-aware Split Federated Learning for Continuous Authentication
von: Wazzeh, Mohamad, et al.
Veröffentlicht: (2024)

Constrained Black-Box Attacks Against Cooperative Multi-Agent Reinforcement Learning
von: Andam, Amine, et al.
Veröffentlicht: (2025)

A Hybrid Swarm Intelligence Approach for Optimizing Multimodal Large Language Models Deployment in Edge-Cloud-based Federated Learning Environments
von: Rjouba, Gaith, et al.
Veröffentlicht: (2025)

The Metaverse: Survey, Trends, Novel Pipeline Ecosystem & Future Directions
von: Sami, Hani, et al.
Veröffentlicht: (2023)

UAV-assisted Internet of Vehicles: A Framework Empowered by Reinforcement Learning and Blockchain
von: Alagha, Ahmed, et al.
Veröffentlicht: (2025)

Comprehensive Review of Reinforcement Learning for Medical Ultrasound Imaging
von: Elmekki, Hanae, et al.
Veröffentlicht: (2025)

Enhancing IoT Intelligence: A Transformer-based Reinforcement Learning Methodology
von: Rjoub, Gaith, et al.
Veröffentlicht: (2024)

Who to Trust? Aggregating Client Predictions in Federated Distillation
von: Kovalchuk, Viktor, et al.
Veröffentlicht: (2025)

CACTUS: An Open Dataset and Framework for Automated Cardiac Assessment and Classification of Ultrasound Images Using Deep Transfer Learning
von: Elmekki, Hanae, et al.
Veröffentlicht: (2025)

A Multi-Modal Unsupervised Machine Learning Approach for Biomedical Signal Processing in CPR
von: Islam, Saidul, et al.
Veröffentlicht: (2024)

Heterogeneous Federated Reinforcement Learning Using Wasserstein Barycenters
von: Pereira, Luiz, et al.
Veröffentlicht: (2025)

Machine Learning Innovations in CPR: A Comprehensive Survey on Enhanced Resuscitation Techniques
von: Islam, Saidul, et al.
Veröffentlicht: (2024)

Deploying Models to Non-participating Clients in Federated Learning without Fine-tuning: A Hypernetwork-based Approach
von: Zhou, Yuhao, et al.
Veröffentlicht: (2025)

Energy-Efficient UAV-assisted LoRa Gateways: A Multi-Agent Optimization Approach
von: Ahmed, Abdullahi Isa, et al.
Veröffentlicht: (2025)

Client Contribution Normalization for Enhanced Federated Learning
von: Kundalwal, Mayank Kumar, et al.
Veröffentlicht: (2024)

Rethinking Client-oriented Federated Graph Learning
von: Chen, Zekai, et al.
Veröffentlicht: (2025)

Client2Vec: Improving Federated Learning by Distribution Shifts Aware Client Indexing
von: Guo, Yongxin, et al.
Veröffentlicht: (2024)

Reliable Vertical Federated Learning in 5G Core Network Architecture
von: Mestoukirdi, Mohamad, et al.
Veröffentlicht: (2025)

Distributionally Robust Federated Learning with Client Drift Minimization
von: Krouka, Mounssif, et al.
Veröffentlicht: (2025)

LEFL: Low Entropy Client Sampling in Federated Learning
von: Abebe, Waqwoya, et al.
Veröffentlicht: (2023)

Communication-Efficient Federated Learning With Data and Client Heterogeneity
von: Zakerinia, Hossein, et al.
Veröffentlicht: (2022)

Optimal Strategies for Federated Learning Maintaining Client Privacy
von: Bhaskar, Uday, et al.
Veröffentlicht: (2025)

Semi-on-Demand Transit Feeders with Shared Autonomous Vehicles and Reinforcement-Learning-Based Zonal Dispatching Control
von: Ng, Max T. M., et al.
Veröffentlicht: (2025)

Poisoning Behavioral-based Worker Selection in Mobile Crowdsensing using Generative Adversarial Networks
von: Nasser, Ruba, et al.
Veröffentlicht: (2025)

Federated Learning with Enhanced Privacy via Model Splitting and Random Client Participation
von: Li, Yiwei, et al.
Veröffentlicht: (2025)

Optimal Client Sampling in Federated Learning with Client-Level Heterogeneous Differential Privacy
von: Xu, Jiahao, et al.
Veröffentlicht: (2025)

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)

Adaptive Client Sampling in Federated Learning via Online Learning with Bandit Feedback
von: Zhao, Boxin, et al.
Veröffentlicht: (2021)

Personalized One-shot Federated Graph Learning for Heterogeneous Clients
von: Yan, Guochen, et al.
Veröffentlicht: (2024)