Buchumschlag

Federated Model Heterogeneous Matryoshka Representation Learning

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Yi, Liping, Yu, Han, Ren, Chao, Wang, Gang, Liu, Xiaoguang, Li, Xiaoxiao
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

pFedLoRA: Model-Heterogeneous Personalized Federated Learning with LoRA Tuning
von: Yi, Liping, et al.
Veröffentlicht: (2023)

pFedMoE: Data-Level Personalization with Mixture of Experts for Model-Heterogeneous Personalized Federated Learning
von: Yi, Liping, et al.
Veröffentlicht: (2024)

FedSSA: Semantic Similarity-based Aggregation for Efficient Model-Heterogeneous Personalized Federated Learning
von: Yi, Liping, et al.
Veröffentlicht: (2023)

Convergence Analysis of Split Federated Learning on Heterogeneous Data
von: Han, Pengchao, et al.
Veröffentlicht: (2024)

Hypernetworks for Model-Heterogeneous Personalized Federated Learning
von: Zhang, Chen, et al.
Veröffentlicht: (2025)

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

Fed-REACT: Federated Representation Learning for Heterogeneous and Evolving Data
von: Chen, Yiyue, et al.
Veröffentlicht: (2025)

FedSAE: A Novel Self-Adaptive Federated Learning Framework in Heterogeneous Systems
von: Li, Li, et al.
Veröffentlicht: (2021)

Knowledge-Driven Federated Graph Learning on Model Heterogeneity
von: Wu, Zhengyu, et al.
Veröffentlicht: (2025)

Robust Model Aggregation for Heterogeneous Federated Learning: Analysis and Optimizations
von: Shao, Yumeng, et al.
Veröffentlicht: (2024)

Breaking the Memory Wall for Heterogeneous Federated Learning via Model Splitting
von: Tian, Chunlin, et al.
Veröffentlicht: (2024)

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

Heterogeneous Federated Learning with Convolutional and Spiking Neural Networks
von: Yu, Yingchao, et al.
Veröffentlicht: (2024)

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

A Closer Look at Personalized Fine-Tuning in Heterogeneous Federated Learning
von: Chen, Minghui, et al.
Veröffentlicht: (2025)

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

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

CSAFL: A Clustered Semi-Asynchronous Federated Learning Framework
von: Zhang, Yu, et al.
Veröffentlicht: (2021)

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

On the Convergence Rates of Federated Q-Learning across Heterogeneous Environments
von: Wang, Leo Muxing, et al.
Veröffentlicht: (2024)

Efficient Federated Learning against Byzantine Attacks and Data Heterogeneity via Aggregating Normalized Gradients
von: Zuo, Shiyuan, et al.
Veröffentlicht: (2024)

FLASH: Federated Learning Across Simultaneous Heterogeneities
von: Chang, Xiangyu, et al.
Veröffentlicht: (2024)

Heterogeneous Federated Learning with Prototype Alignment and Upscaling
von: Lee, Gyuejeong, et al.
Veröffentlicht: (2025)

Tackling Intertwined Data and Device Heterogeneities in Federated Learning with Unlimited Staleness
von: Wang, Haoming, et al.
Veröffentlicht: (2023)

PracMHBench: Re-evaluating Model-Heterogeneous Federated Learning Based on Practical Edge Device Constraints
von: Guo, Yuanchun, et al.
Veröffentlicht: (2025)

A Unified Solution to Diverse Heterogeneities in One-shot Federated Learning
von: Bai, Jun, et al.
Veröffentlicht: (2024)

Fed-GAME: Personalized Federated Learning with Graph Attention Mixture-of-Experts For Time-Series Forecasting
von: Li, Yi, et al.
Veröffentlicht: (2026)

Heterogeneity: An Open Challenge for Federated On-board Machine Learning
von: Hartmann, Maria, et al.
Veröffentlicht: (2024)

An Efficient Subspace Algorithm for Federated Learning on Heterogeneous Data
von: Zhang, Jiaojiao, et al.
Veröffentlicht: (2025)

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

Balancing Similarity and Complementarity for Federated Learning
von: Yan, Kunda, et al.
Veröffentlicht: (2024)

Heterogeneous LoRA for Federated Fine-tuning of On-Device Foundation Models
von: Cho, Yae Jee, et al.
Veröffentlicht: (2024)

The Impact of Cut Layer Selection in Split Federated Learning
von: Dachille, Justin, et al.
Veröffentlicht: (2024)

FedMT: Federated Learning with Mixed-type Labels
von: Zhang, Qiong, et al.
Veröffentlicht: (2022)

Eliminating Domain Bias for Federated Learning in Representation Space
von: Zhang, Jianqing, et al.
Veröffentlicht: (2023)

FLoRA: Federated Fine-Tuning Large Language Models with Heterogeneous Low-Rank Adaptations
von: Wang, Ziyao, et al.
Veröffentlicht: (2024)

Decentralized Federated Learning with Model Caching on Mobile Agents
von: Wang, Xiaoyu, et al.
Veröffentlicht: (2024)

Efficient Model Compression for Hierarchical Federated Learning
von: Zhu, Xi, et al.
Veröffentlicht: (2024)

FedORGP: Guiding Heterogeneous Federated Learning with Orthogonality Regularization on Global Prototypes
von: Guo, Fucheng, et al.
Veröffentlicht: (2025)

AdaptiveFL: Adaptive Heterogeneous Federated Learning for Resource-Constrained AIoT Systems
von: Jia, Chentao, et al.
Veröffentlicht: (2023)