Buchumschlag

FedClust: Tackling Data Heterogeneity in Federated Learning through Weight-Driven Client Clustering

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Islam, Md Sirajul, Javaherian, Simin, Xu, Fei, Yuan, Xu, Chen, Li, Tzeng, Nian-Feng
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Distributed, Parallel, and Cluster Computing Artificial Intelligence Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

FedClust: Optimizing Federated Learning on Non-IID Data through Weight-Driven Client Clustering
von: Islam, Md Sirajul, et al.
Veröffentlicht: (2024)

FedACT: Concurrent Federated Intelligence across Heterogeneous Data Sources
von: Islam, Md Sirajul, et al.
Veröffentlicht: (2026)

Incentive-Compatible Federated Learning with Stackelberg Game Modeling
von: Javaherian, Simin, et al.
Veröffentlicht: (2025)

FedFair^3: Unlocking Threefold Fairness in Federated Learning
von: Javaherian, Simin, et al.
Veröffentlicht: (2024)

SEAFL: Enhancing Efficiency in Semi-Asynchronous Federated Learning through Adaptive Aggregation and Selective Training
von: Islam, Md Sirajul, et al.
Veröffentlicht: (2025)

ParallelSFL: A Novel Split Federated Learning Framework Tackling Heterogeneity Issues
von: Liao, Yunming, et al.
Veröffentlicht: (2024)

Fed-pilot: Optimizing LoRA Allocation for Efficient Federated Fine-Tuning with Heterogeneous Clients
von: Zhang, Zikai, et al.
Veröffentlicht: (2024)

FedHFT: Efficient Federated Finetuning with Heterogeneous Edge Clients
von: Ilhan, Fatih, et al.
Veröffentlicht: (2025)

Bridging Memory Gaps: Scaling Federated Learning for Heterogeneous Clients
von: Wu, Yebo, et al.
Veröffentlicht: (2024)

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

Resource Heterogeneity-Aware and Utilization-Enhanced Scheduling for Deep Learning Clusters
von: Sultana, Abeda, et al.
Veröffentlicht: (2025)

Tackling Resource-Constrained and Data-Heterogeneity in Federated Learning with Double-Weight Sparse Pack
von: Yang, Qiantao, et al.
Veröffentlicht: (2026)

Tackling Selfish Clients in Federated Learning
von: Augello, Andrea, et al.
Veröffentlicht: (2024)

Data Heterogeneity-Aware Client Selection for Federated Learning in Wireless Networks
von: Yang, Yanbing, et al.
Veröffentlicht: (2025)

FedEve: On Bridging the Client Drift and Period Drift for Cross-device Federated Learning
von: Shen, Tao, et al.
Veröffentlicht: (2025)

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

FedAPTA: Federated Multi-task Learning for Heterogeneous Devices with Adaptive Layer-wise Pruning and Task-aware Aggregation
von: Yu, Zhen, et al.
Veröffentlicht: (2025)

FedHC: A Hierarchical Clustered Federated Learning Framework for Satellite Networks
von: Liu, Zhuocheng, et al.
Veröffentlicht: (2025)

Dynamic Client Clustering, Bandwidth Allocation, and Workload Optimization for Semi-synchronous Federated Learning
von: Yu, Liangkun, et al.
Veröffentlicht: (2024)

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

Performance Characterization of Distributed Deep Learning Strategies: A Quantitative Evaluation of DDP, FSDP, and Parameter Server Architectures on GPU Clusters
von: Ovi, Md Sultanul Islam
Veröffentlicht: (2025)

Towards Client Driven Federated Learning
von: Li, Songze, et al.
Veröffentlicht: (2024)

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

Optimal Resource Efficiency with Fairness in Heterogeneous GPU Clusters
von: Mo, Zizhao, et al.
Veröffentlicht: (2024)

FedGroup: Efficient Clustered Federated Learning via Decomposed Data-Driven Measure
von: Duan, Moming, et al.
Veröffentlicht: (2020)

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

Hetis: Serving LLMs in Heterogeneous GPU Clusters with Fine-grained and Dynamic Parallelism
von: Mo, Zizhao, et al.
Veröffentlicht: (2025)

FedRA: A Random Allocation Strategy for Federated Tuning to Unleash the Power of Heterogeneous Clients
von: Su, Shangchao, et al.
Veröffentlicht: (2023)

FedAR: Addressing Client Unavailability in Federated Learning with Local Update Approximation and Rectification
von: Jiang, Chutian, et al.
Veröffentlicht: (2024)

Fed-HeLLo: Efficient Federated Foundation Model Fine-Tuning with Heterogeneous LoRA Allocation
von: Zhang, Zikai, et al.
Veröffentlicht: (2025)

Heterogeneous Federated Fine-Tuning with Parallel One-Rank Adaptation
von: Zhang, Zikai, et al.
Veröffentlicht: (2026)

FedQuad: Adaptive Layer-wise LoRA Deployment and Activation Quantization for Federated Fine-Tuning
von: Li, Rukuo, et al.
Veröffentlicht: (2025)

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

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

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

SuperSFL: Resource-Heterogeneous Federated Split Learning with Weight-Sharing Super-Networks
von: Asif, Abdullah Al, et al.
Veröffentlicht: (2026)

FedAC: An Adaptive Clustered Federated Learning Framework for Heterogeneous Data
von: Zhang, Yuxin, et al.
Veröffentlicht: (2024)

FedGuard: A Diverse-Byzantine-Robust Mechanism for Federated Learning with Major Malicious Clients
von: Jiang, Haocheng, et al.
Veröffentlicht: (2025)

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

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