Buchumschlag

Maverick-Aware Shapley Valuation for Client Selection in Federated Learning

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Yang, Mengwei, Jarin, Ismat, Buyukates, Baturalp, Avestimehr, Salman, Markopoulou, Athina
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

FedGrAINS: Personalized SubGraph Federated Learning with Adaptive Neighbor Sampling
von: Ceyani, Emir, et al.
Veröffentlicht: (2025)

Embracing Federated Learning: Enabling Weak Client Participation via Partial Model Training
von: Lee, Sunwoo, et al.
Veröffentlicht: (2024)

Greedy Shapley Client Selection for Communication-Efficient Federated Learning
von: Singhal, Pranava, et al.
Veröffentlicht: (2023)

Don't Always Pick the Highest-Performing Model: An Information Theoretic View of LLM Ensemble Selection
von: Turkmen, Yigit, et al.
Veröffentlicht: (2026)

Aggressive or Imperceptible, or Both: Network Pruning Assisted Hybrid Byzantines in Federated Learning
von: Ozfatura, Emre, et al.
Veröffentlicht: (2024)

Heterogeneity-Aware Client Selection Methodology For Efficient Federated Learning
von: Balivada, Nihal, et al.
Veröffentlicht: (2026)

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

Adaptive Client Selection with Personalization for Communication Efficient Federated Learning
von: de Souza, Allan M., et al.
Veröffentlicht: (2024)

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

CHASe: Client Heterogeneity-Aware Data Selection for Effective Federated Active Learning
von: Zhang, Jun, et al.
Veröffentlicht: (2025)

Communication-Efficient Multimodal Federated Learning: Joint Modality and Client Selection
von: Yuan, Liangqi, et al.
Veröffentlicht: (2024)

S-VOTE: Similarity-based Voting for Client Selection in Decentralized Federated Learning
von: Sánchez, Pedro Miguel Sánchez, et al.
Veröffentlicht: (2025)

Understanding Communication Backends in Cross-Silo Federated Learning
von: Ziashahabi, Amir, et al.
Veröffentlicht: (2026)

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

Emulating Full Participation: An Effective and Fair Client Selection Strategy for Federated Learning
von: Li, Qingming, et al.
Veröffentlicht: (2024)

Robust Federated Learning in Unreliable Wireless Networks: A Client Selection Approach
von: Wang, Yanmeng, 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 Selection via Q-Learning-based Whittle Index in Wireless Federated Learning
von: Li, Qiyue, et al.
Veröffentlicht: (2025)

GPFL: A Gradient Projection-Based Client Selection Framework for Efficient Federated Learning
von: Na, Shijie, et al.
Veröffentlicht: (2024)

Reducing Communication Overhead in Federated Learning for Network Anomaly Detection with Adaptive Client Selection
von: Marfo, William, et al.
Veröffentlicht: (2025)

Efficient Client Selection in Federated Learning
von: Marfo, William, et al.
Veröffentlicht: (2025)

MobiZO: Enabling Efficient LLM Fine-Tuning at the Edge via Inference Engines
von: Gao, Lei, et al.
Veröffentlicht: (2024)

Breaking the Prototype Bias Loop: Confidence-Aware Federated Contrastive Learning for Highly Imbalanced Clients
von: Wu, Tian-Shuang, et al.
Veröffentlicht: (2026)

Debiasing Federated Learning with Correlated Client Participation
von: Sun, Zhenyu, et al.
Veröffentlicht: (2024)

Understanding Server-Assisted Federated Learning in the Presence of Incomplete Client Participation
von: Yang, Haibo, et al.
Veröffentlicht: (2024)

Federated Behavioural Planes: Explaining the Evolution of Client Behaviour in Federated Learning
von: Fenoglio, Dario, et al.
Veröffentlicht: (2024)

Beyond the Federation: Topology-aware Federated Learning for Generalization to Unseen Clients
von: Ma, Mengmeng, et al.
Veröffentlicht: (2024)

Empowering Data Mesh with Federated Learning
von: Li, Haoyuan, et al.
Veröffentlicht: (2024)

Exact and Linear Convergence for Federated Learning under Arbitrary Client Participation is Attainable
von: Ying, Bicheng, et al.
Veröffentlicht: (2025)

SAFL: Structure-Aware Personalized Federated Learning via Client-Specific Clustering and SCSI-Guided Model Pruning
von: Li, Nan, et al.
Veröffentlicht: (2025)

FedGCS: A Generative Framework for Efficient Client Selection in Federated Learning via Gradient-based Optimization
von: Ning, Zhiyuan, et al.
Veröffentlicht: (2024)

Achieving Linear Speedup in Asynchronous Federated Learning with Heterogeneous Clients
von: Wang, Xiaolu, et al.
Veröffentlicht: (2024)

Harnessing Increased Client Participation with Cohort-Parallel Federated Learning
von: Dhasade, Akash, et al.
Veröffentlicht: (2024)

Optimizing Federated Learning by Entropy-Based Client Selection
von: Lutz, Andreas, et al.
Veröffentlicht: (2024)

The Diversity Bonus: Learning from Dissimilar Distributed Clients in Personalized Federated Learning
von: Wu, Xinghao, et al.
Veröffentlicht: (2024)

Flexible Clustered Federated Learning for Client-Level Data Distribution Shift
von: Duan, Moming, et al.
Veröffentlicht: (2021)

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

FedCompass: Efficient Cross-Silo Federated Learning on Heterogeneous Client Devices using a Computing Power Aware Scheduler
von: Li, Zilinghan, et al.
Veröffentlicht: (2023)

GradualDiff-Fed: A Federated Learning Specialized Framework for Large Language Model
von: Faiyaz, Amir, et al.
Veröffentlicht: (2025)