Buchumschlag

FedSat: A Statistical Aggregation Approach for Class Imbalanced Clients in Federated Learning

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Chowdhury, Sujit, Halder, Raju
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

FedOUI: OUI-Guided Client Weighting for Federated Aggregation
von: Fernández-Hernández, Alberto, et al.
Veröffentlicht: (2026)

FedAWA: Adaptive Optimization of Aggregation Weights in Federated Learning Using Client Vectors
von: Shi, Changlong, et al.
Veröffentlicht: (2025)

FedGT: Identification of Malicious Clients in Federated Learning with Secure Aggregation
von: Xhemrishi, Marvin, et al.
Veröffentlicht: (2023)

Optimal Strategies for Federated Learning Maintaining Client Privacy
von: Bhaskar, Uday, et al.
Veröffentlicht: (2025)

FedDAPL: Toward Client-Private Generalization in Federated Learning
von: Loaliyan, Soroosh Safari, et al.
Veröffentlicht: (2025)

GraphFedMIG: Tackling Class Imbalance in Federated Graph Learning via Mutual Information-Guided Generation
von: Li, Xinrui, et al.
Veröffentlicht: (2025)

FLsim: A Modular and Library-Agnostic Simulation Framework for Federated Learning
von: Mukherjee, Arnab, et al.
Veröffentlicht: (2025)

FedZMG: Efficient Client-Side Optimization in Federated Learning
von: Zantalis, Fotios, et al.
Veröffentlicht: (2026)

FedConv: A Learning-on-Model Paradigm for Heterogeneous Federated Clients
von: Shen, Leming, et al.
Veröffentlicht: (2025)

FedPID: An Aggregation Method for Federated Learning
von: Mächler, Leon, et al.
Veröffentlicht: (2024)

FedDPC : Handling Data Heterogeneity and Partial Client Participation in Federated Learning
von: Sen, Mrinmay, et al.
Veröffentlicht: (2025)

FedDAA: Dynamic Client Clustering for Concept Drift Adaptation in Federated Learning
von: Peng, Fu, et al.
Veröffentlicht: (2025)

WallStreetFeds: Client-Specific Tokens as Investment Vehicles in Federated Learning
von: Geimer, Arno, et al.
Veröffentlicht: (2025)

Enhancing Federated Class-Incremental Learning via Spatial-Temporal Statistics Aggregation
von: Guan, Zenghao, et al.
Veröffentlicht: (2025)

FedCCRL: Federated Domain Generalization with Cross-Client Representation Learning
von: Wang, Xinpeng, et al.
Veröffentlicht: (2024)

FedRG: Unleashing the Representation Geometry for Federated Learning with Noisy Clients
von: Wen, Tian, et al.
Veröffentlicht: (2026)

An Interpretable Client Decision Tree Aggregation process for Federated Learning
von: Argente-Garrido, Alberto, et al.
Veröffentlicht: (2024)

Who to Trust? Aggregating Client Predictions in Federated Distillation
von: Kovalchuk, Viktor, et al.
Veröffentlicht: (2025)

FedIA: Towards Domain-Robust Aggregation in Federated Graph Learning
von: Zhou, Zhanting, et al.
Veröffentlicht: (2025)

FedImpro: Measuring and Improving Client Update in Federated Learning
von: Tang, Zhenheng, et al.
Veröffentlicht: (2024)

ILoRA: Federated Learning with Low-Rank Adaptation for Heterogeneous Client Aggregation
von: Zhou, Junchao, et al.
Veröffentlicht: (2025)

FedAnchor: Enhancing Federated Semi-Supervised Learning with Label Contrastive Loss for Unlabeled Clients
von: Qiu, Xinchi, et al.
Veröffentlicht: (2024)

FedAgg: Adaptive Federated Learning with Aggregated Gradients
von: Yuan, Wenhao, et al.
Veröffentlicht: (2023)

Enhancing Federated Learning Through Secure Cluster-Weighted Client Aggregation
von: Ranaweera, Kanishka, et al.
Veröffentlicht: (2025)

FedSTaS: Client Stratification and Client Level Sampling for Efficient Federated Learning
von: Slessor, Jordan, et al.
Veröffentlicht: (2024)

FedSUM Family: Efficient Federated Learning Methods under Arbitrary Client Participation
von: You, Runze, et al.
Veröffentlicht: (2025)

FedDiverse: Tackling Data Heterogeneity in Federated Learning with Diversity-Driven Client Selection
von: Németh, Gergely D., et al.
Veröffentlicht: (2025)

FedGreed: A Byzantine-Robust Loss-Based Aggregation Method for Federated Learning
von: Kritharakis, Emmanouil, et al.
Veröffentlicht: (2025)

FedCFA: Alleviating Simpson's Paradox in Model Aggregation with Counterfactual Federated Learning
von: Jiang, Zhonghua, et al.
Veröffentlicht: (2024)

FedADP: Unified Model Aggregation for Federated Learning with Heterogeneous Model Architectures
von: Wang, Jiacheng, et al.
Veröffentlicht: (2025)

Beyond Aggregation: Guiding Clients in Heterogeneous Federated Learning
von: Wang, Zijian, et al.
Veröffentlicht: (2025)

SatFed: A Resource-Efficient LEO Satellite-Assisted Heterogeneous Federated Learning Framework
von: Zhang, Yuxin, et al.
Veröffentlicht: (2024)

FedGPS: Statistical Rectification Against Data Heterogeneity in Federated Learning
von: Yang, Zhiqin, et al.
Veröffentlicht: (2025)

Framework for Co-distillation Driven Federated Learning to Address Class Imbalance in Healthcare
von: Racha, Suraj, et al.
Veröffentlicht: (2024)

FedCAda: Adaptive Client-Side Optimization for Accelerated and Stable Federated Learning
von: Zhou, Liuzhi, et al.
Veröffentlicht: (2024)

FedHCA$^2$: Towards Hetero-Client Federated Multi-Task Learning
von: Lu, Yuxiang, et al.
Veröffentlicht: (2023)

GC-Fed: Gradient Centralized Federated Learning with Partial Client Participation
von: Seo, Jungwon, et al.
Veröffentlicht: (2025)

FedConPE: Efficient Federated Conversational Bandits with Heterogeneous Clients
von: Li, Zhuohua, et al.
Veröffentlicht: (2024)

pFedBBN: A Personalized Federated Test-Time Adaptation with Balanced Batch Normalization for Class-Imbalanced Data
von: Iftee, Md Akil Raihan, et al.
Veröffentlicht: (2025)

Federated Learning and Class Imbalances
von: Zhu, Siqi, et al.
Veröffentlicht: (2026)