Buchumschlag

Overcoming Data and Model Heterogeneities in Decentralized Federated Learning via Synthetic Anchors

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Huang, Chun-Yin, Srinivas, Kartik, Zhang, Xin, Li, Xiaoxiao
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

Federated Learning on Virtual Heterogeneous Data with Local-global Distillation
von: Huang, Chun-Yin, et al.
Veröffentlicht: (2023)

Handling Spatial-Temporal Data Heterogeneity for Federated Continual Learning via Tail Anchor
von: Yu, Hao, et al.
Veröffentlicht: (2024)

Rethinking LoRA for Data Heterogeneous Federated Learning: Subspace and State Alignment
von: Peng, Hongyi, et al.
Veröffentlicht: (2026)

OledFL: Unleashing the Potential of Decentralized Federated Learning via Opposite Lookahead Enhancement
von: Li, Qinglun, et al.
Veröffentlicht: (2024)

SAFELOC: Overcoming Data Poisoning Attacks in Heterogeneous Federated Machine Learning for Indoor Localization
von: Singampalli, Akhil, et al.
Veröffentlicht: (2024)

Understanding and Improving Model Averaging in Federated Learning on Heterogeneous Data
von: Zhou, Tailin, et al.
Veröffentlicht: (2023)

FedSA: A Unified Representation Learning via Semantic Anchors for Prototype-based Federated Learning
von: Zhou, Yanbing, et al.
Veröffentlicht: (2025)

Towards Heterogeneity-Aware and Energy-Efficient Topology Optimization for Decentralized Federated Learning in Edge Environment
von: Liu, Yuze, et al.
Veröffentlicht: (2025)

Federated Causal Discovery from Heterogeneous Data
von: Li, Loka, et al.
Veröffentlicht: (2024)

Synthetic Data Aided Federated Learning Using Foundation Models
von: Abacha, Fatima, et al.
Veröffentlicht: (2024)

MultiConfederated Learning: Inclusive Non-IID Data handling with Decentralized Federated Learning
von: Duchesne, Michael, et al.
Veröffentlicht: (2024)

Probabilistic Federated Learning on Uncertain and Heterogeneous Data with Model Personalization
von: Rahman, Ratun, et al.
Veröffentlicht: (2026)

Federated Impression for Learning with Distributed Heterogeneous Data
von: Arya, Atrin, et al.
Veröffentlicht: (2024)

DMPA: Model Poisoning Attacks on Decentralized Federated Learning for Model Differences
von: Feng, Chao, et al.
Veröffentlicht: (2025)

dFLMoE: Decentralized Federated Learning via Mixture of Experts for Medical Data Analysis
von: Xie, Luyuan, et al.
Veröffentlicht: (2025)

Personalized Federated Dictionary Learning for Modeling Heterogeneity in Multi-site fMRI Data
von: Zhang, Yipu, et al.
Veröffentlicht: (2025)

MH-pFLID: Model Heterogeneous personalized Federated Learning via Injection and Distillation for Medical Data Analysis
von: Xie, Luyuan, et al.
Veröffentlicht: (2024)

PFedDST: Personalized Federated Learning with Decentralized Selection Training
von: Fan, Mengchen, et al.
Veröffentlicht: (2025)

AdvAnchor: Enhancing Diffusion Model Unlearning with Adversarial Anchors
von: Zhao, Mengnan, et al.
Veröffentlicht: (2024)

Benchmarking Data Heterogeneity Evaluation Approaches for Personalized Federated Learning
von: Li, Zhilong, et al.
Veröffentlicht: (2024)

FedMABench: Benchmarking Mobile Agents on Decentralized Heterogeneous User Data
von: Wang, Wenhao, et al.
Veröffentlicht: (2025)

MAnchors: Memorization-Based Acceleration of Anchors via Rule Reuse and Transformation
von: Yu, Haonan, et al.
Veröffentlicht: (2025)

Scaling Up Data Parallelism in Decentralized Deep Learning
von: Xie, Bing, et al.
Veröffentlicht: (2025)

FedCoSR: Personalized Federated Learning with Contrastive Shareable Representations for Label Heterogeneity in Non-IID Data
von: Huang, Chenghao, et al.
Veröffentlicht: (2024)

Feature Distillation is the Better Choice for Model-Heterogeneous Federated Learning
von: Li, Yichen, et al.
Veröffentlicht: (2025)

Learning Unlabeled Clients Divergence for Federated Semi-Supervised Learning via Anchor Model Aggregation
von: Elbatel, Marawan, et al.
Veröffentlicht: (2024)

Lazy But Effective: Collaborative Personalized Federated Learning with Heterogeneous Data
von: Rokvic, Ljubomir, et al.
Veröffentlicht: (2025)

Heterogeneity-Aware Coordination for Federated Learning via Stitching Pre-trained blocks
von: Zhan, Shichen, et al.
Veröffentlicht: (2024)

Generative Models for Synthetic Data: Transforming Data Mining in the GenAI Era
von: Li, Dawei, et al.
Veröffentlicht: (2025)

Heterogeneity-aware Personalized Federated Learning via Adaptive Dual-Agent Reinforcement Learning
von: Chen, Xi, et al.
Veröffentlicht: (2025)

Federated Ensemble-Directed Offline Reinforcement Learning
von: Rengarajan, Desik, et al.
Veröffentlicht: (2023)

FedRD: Reducing Divergences for Generalized Federated Learning via Heterogeneity-aware Parameter Guidance
von: Wang, Kaile, et al.
Veröffentlicht: (2026)

Federated Continual Learning via Knowledge Fusion: A Survey
von: Yang, Xin, et al.
Veröffentlicht: (2023)

Towards a Larger Model via One-Shot Federated Learning on Heterogeneous Client Models
von: Ye, Wenxuan, et al.
Veröffentlicht: (2025)

Accurate Forgetting for Heterogeneous Federated Continual Learning
von: Wuerkaixi, Abudukelimu, et al.
Veröffentlicht: (2025)

Load-Aware Training Scheduling for Model Circulation-based Decentralized Federated Learning
von: Kainuma, Haruki, et al.
Veröffentlicht: (2025)

On the Impact of Data Heterogeneity in Federated Learning Environments with Application to Healthcare Networks
von: Milasheuski, Usevalad, et al.
Veröffentlicht: (2024)

Aggregation Alignment for Federated Learning with Mixture-of-Experts under Data Heterogeneity
von: Fang, Zihan, et al.
Veröffentlicht: (2026)

FedHL: Federated Learning for Heterogeneous Low-Rank Adaptation via Unbiased Aggregation
von: Peng, Zihao, et al.
Veröffentlicht: (2025)

Byzantine-Robust Aggregation for Securing Decentralized Federated Learning
von: Cajaraville-Aboy, Diego, et al.
Veröffentlicht: (2024)