Buchumschlag

Personalized Interpretation on Federated Learning: A Virtual Concepts approach

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Yan, Peng, Long, Guodong, Jiang, Jing, Blumenstein, Michael
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

Influence-oriented Personalized Federated Learning
von: Tan, Yue, et al.
Veröffentlicht: (2024)

An Information-Theoretic Analysis for Federated Learning under Concept Drift
von: Peng, Fu, et al.
Veröffentlicht: (2025)

Emerging Trends in Federated Learning: From Model Fusion to Federated X Learning
von: Ji, Shaoxiong, et al.
Veröffentlicht: (2021)

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

Personalized Federated Learning via ADMM with Moreau Envelope
von: Zhu, Shengkun, et al.
Veröffentlicht: (2023)

Asynchronous Personalized Federated Learning through Global Memorization
von: Wan, Fan, et al.
Veröffentlicht: (2025)

Analytic Personalized Federated Meta-Learning
von: Gu, Shunxian, et al.
Veröffentlicht: (2025)

Federated Deep Equilibrium Learning: Harnessing Compact Global Representations to Enhance Personalization
von: Le, Long Tan, et al.
Veröffentlicht: (2023)

Look Back for More: Harnessing Historical Sequential Updates for Personalized Federated Adapter Tuning
von: Peng, Danni, et al.
Veröffentlicht: (2025)

TPFL: Tsetlin-Personalized Federated Learning with Confidence-Based Clustering
von: Gohari, Rasoul Jafari, et al.
Veröffentlicht: (2024)

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

MAP: Model Aggregation and Personalization in Federated Learning with Incomplete Classes
von: Li, Xin-Chun, et al.
Veröffentlicht: (2024)

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

Convergence-Privacy-Fairness Trade-Off in Personalized Federated Learning
von: Zhao, Xiyu, et al.
Veröffentlicht: (2025)

Harmonizing Generalization and Personalization in Ring-topology Decentralized Federated Learning
von: Guo, Shunxin, et al.
Veröffentlicht: (2025)

Personalized Semi-Supervised Federated Learning for Human Activity Recognition
von: Presotto, Riccardo, et al.
Veröffentlicht: (2021)

PFLlib: A Beginner-Friendly and Comprehensive Personalized Federated Learning Library and Benchmark
von: Zhang, Jianqing, et al.
Veröffentlicht: (2023)

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

Virtual Nodes Can Help: Tackling Distribution Shifts in Federated Graph Learning
von: Fu, Xingbo, et al.
Veröffentlicht: (2024)

Personalized Federated Learning for Generative AI-Assisted Semantic Communications
von: Peng, Yubo, et al.
Veröffentlicht: (2024)

Rethinking Personalized Federated Learning with Clustering-based Dynamic Graph Propagation
von: Wang, Jiaqi, et al.
Veröffentlicht: (2024)

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

A Bayesian Framework for Clustered Federated Learning
von: Wu, Peng, et al.
Veröffentlicht: (2024)

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

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

Flexible Personalized Split Federated Learning for On-Device Fine-Tuning of Foundation Models
von: Yuan, Tianjun, et al.
Veröffentlicht: (2025)

Evidential Trust-Aware Model Personalization in Decentralized Federated Learning for Wearable IoT
von: Rangwala, Murtaza, et al.
Veröffentlicht: (2025)

DualFed: Enjoying both Generalization and Personalization in Federated Learning via Hierachical Representations
von: Zhu, Guogang, et al.
Veröffentlicht: (2024)

FedPeWS: Personalized Warmup via Subnetworks for Enhanced Heterogeneous Federated Learning
von: Tastan, Nurbek, et al.
Veröffentlicht: (2024)

Class-Wise Federated Averaging for Efficient Personalization
von: Lee, Gyuejeong, et al.
Veröffentlicht: (2024)

FedReMa: Improving Personalized Federated Learning via Leveraging the Most Relevant Clients
von: Liang, Han, et al.
Veröffentlicht: (2024)

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

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

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

pMixFed: Efficient Personalized Federated Learning through Adaptive Layer-Wise Mixup
von: Saadati, Yasaman, et al.
Veröffentlicht: (2025)

Addressing Skewed Heterogeneity via Federated Prototype Rectification with Personalization
von: Guo, Shunxin, et al.
Veröffentlicht: (2024)

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

Enhancing Convergence, Privacy and Fairness for Wireless Personalized Federated Learning: Quantization-Assisted Min-Max Fair Scheduling
von: Zhao, Xiyu, 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)

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