Buchumschlag

Vertical Federated Learning Hybrid Local Pre-training

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Li, Wenguo, Guo, Xinling, Jiao, Xu, Huang, Tiancheng, Yan, Xiaoran, Yang, Yao
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

FLMarket: Enabling Privacy-preserved Pre-training Data Pricing for Federated Learning
von: Wen, Zhenyu, et al.
Veröffentlicht: (2024)

GPT-FL: Generative Pre-trained Model-Assisted Federated Learning
von: Zhang, Tuo, et al.
Veröffentlicht: (2023)

A Survey on Contribution Evaluation in Vertical Federated Learning
von: Cui, Yue, et al.
Veröffentlicht: (2024)

Communication-Efficient Hybrid Federated Learning for E-health with Horizontal and Vertical Data Partitioning
von: Yu, Chong, et al.
Veröffentlicht: (2024)

Vertical Federated Learning: Challenges, Methodologies and Experiments
von: Wei, Kang, et al.
Veröffentlicht: (2022)

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

Decoupled Vertical Federated Learning for Practical Training on Vertically Partitioned Data
von: Amalanshu, Avi, et al.
Veröffentlicht: (2024)

UniTrans: A Unified Vertical Federated Knowledge Transfer Framework for Enhancing Cross-Hospital Collaboration
von: Huang, Chung-ju, et al.
Veröffentlicht: (2025)

Event-Driven Online Vertical Federated Learning
von: Wang, Ganyu, et al.
Veröffentlicht: (2025)

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

Initialization Matters: Unraveling the Impact of Pre-Training on Federated Learning
von: Jhunjhunwala, Divyansh, et al.
Veröffentlicht: (2025)

Computation and Communication Efficient Lightweighting Vertical Federated Learning for Smart Building IoT
von: Wang, Heqiang, et al.
Veröffentlicht: (2024)

Photon: Federated LLM Pre-Training
von: Sani, Lorenzo, et al.
Veröffentlicht: (2024)

TabVFL: Improving Latent Representation in Vertical Federated Learning
von: Rashad, Mohamed, et al.
Veröffentlicht: (2024)

HiFGL: A Hierarchical Framework for Cross-silo Cross-device Federated Graph Learning
von: Guo, Zhuoning, et al.
Veröffentlicht: (2024)

STHFL: Spatio-Temporal Heterogeneous Federated Learning
von: Guo, Shunxin, et al.
Veröffentlicht: (2025)

Hybrid Batch Normalisation: Resolving the Dilemma of Batch Normalisation in Federated Learning
von: Chen, Hongyao, et al.
Veröffentlicht: (2025)

The Future of Large Language Model Pre-training is Federated
von: Sani, Lorenzo, et al.
Veröffentlicht: (2024)

Neighborhood and Global Perturbations Supported SAM in Federated Learning: From Local Tweaks To Global Awareness
von: Li, Boyuan, et al.
Veröffentlicht: (2024)

A Novel Framework of Horizontal-Vertical Hybrid Federated Learning for EdgeIoT
von: Li, Kai, et al.
Veröffentlicht: (2024)

SemiSFL: Split Federated Learning on Unlabeled and Non-IID Data
von: Xu, Yang, et al.
Veröffentlicht: (2023)

Accelerating Federated Learning by Selecting Beneficial Herd of Local Gradients
von: Luo, Ping, et al.
Veröffentlicht: (2024)

Cross-Silo Federated Learning for Multi-Tier Networks with Vertical and Horizontal Data Partitioning
von: Das, Anirban, et al.
Veröffentlicht: (2021)

Personalized Federated Domain-Incremental Learning based on Adaptive Knowledge Matching
von: Li, Yichen, et al.
Veröffentlicht: (2024)

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

Caesar: A Low-deviation Compression Approach for Efficient Federated Learning
von: Yan, Jiaming, et al.
Veröffentlicht: (2024)

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

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

Tackling Privacy Heterogeneity in Differentially Private Federated Learning
von: Xu, Ruichen, et al.
Veröffentlicht: (2026)

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

Federated Learning in the Presence of Adversarial Client Unavailability
von: Su, Lili, et al.
Veröffentlicht: (2023)

Locally Differentially Private Online Federated Learning With Correlated Noise
von: Zhang, Jiaojiao, et al.
Veröffentlicht: (2024)

Empowering Federated Learning for Massive Models with NVIDIA FLARE
von: Roth, Holger R., et al.
Veröffentlicht: (2024)

Review of Mathematical Optimization in Federated Learning
von: Yang, Shusen, et al.
Veröffentlicht: (2024)

A Framework for Evaluating Privacy-Utility Trade-off in Vertical Federated Learning
von: Kang, Yan, et al.
Veröffentlicht: (2022)

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

Breaking the Memory Wall for Heterogeneous Federated Learning via Progressive Training
von: Wu, Yebo, et al.
Veröffentlicht: (2024)

FedCal: Achieving Local and Global Calibration in Federated Learning via Aggregated Parameterized Scaler
von: Peng, Hongyi, et al.
Veröffentlicht: (2024)

FedRIR: Rethinking Information Representation in Federated Learning
von: Huang, Yongqiang, et al.
Veröffentlicht: (2025)

Orthogonal Calibration for Asynchronous Federated Learning
von: Zhang, Jiayun, et al.
Veröffentlicht: (2025)