Buchumschlag

Where is the Testbed for my Federated Learning Research?

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Božič, Janez, Faustino, Amândio R., Radovič, Boris, Canini, Marco, Pejović, Veljko
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

Demo: A Practical Testbed for Decentralized Federated Learning on Physical Edge Devices
von: Feng, Chao, et al.
Veröffentlicht: (2025)

FilFL: Client Filtering for Optimized Client Participation in Federated Learning
von: Fourati, Fares, et al.
Veröffentlicht: (2023)

Towards a Flexible and High-Fidelity Approach to Distributed DNN Training Emulation
von: Liu, Banruo, et al.
Veröffentlicht: (2024)

Flashback: Understanding and Mitigating Forgetting in Federated Learning
von: Aljahdali, Mohammed, et al.
Veröffentlicht: (2024)

MicroPython Testbed for Federated Learning Algorithms
von: Popovic, Miroslav, et al.
Veröffentlicht: (2024)

Quantize Once, Train Fast: Allreduce-Compatible Compression with Provable Guarantees
von: Xin, Jihao, et al.
Veröffentlicht: (2023)

Partial Federated Learning
von: Feng, Tiantian, et al.
Veröffentlicht: (2024)

AIGC-assisted Federated Learning for Edge Intelligence: Architecture Design, Research Challenges and Future Directions
von: Qiang, Xianke, et al.
Veröffentlicht: (2025)

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

Blockchain-Enabled Federated Learning
von: Rangwala, Murtaza, et al.
Veröffentlicht: (2025)

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)

EcoLearn: Optimizing the Carbon Footprint of Federated Learning
von: Mehboob, Talha, et al.
Veröffentlicht: (2023)

Empowering Federated Learning for Massive Models with NVIDIA FLARE
von: Roth, Holger R., et al.
Veröffentlicht: (2024)

Federated Graph Learning with Graphless Clients
von: Fu, Xingbo, et al.
Veröffentlicht: (2024)

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

Disentangling data distribution for Federated Learning
von: Zhao, Xinyuan, et al.
Veröffentlicht: (2024)

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

Queuing dynamics of asynchronous Federated Learning
von: Leconte, Louis, et al.
Veröffentlicht: (2024)

Federated Learning over Connected Modes
von: Grinwald, Dennis, et al.
Veröffentlicht: (2024)

Federated Learning based on Pruning and Recovery
von: Ma, Chengjie
Veröffentlicht: (2024)

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

Review of Mathematical Optimization in Federated Learning
von: Yang, Shusen, et al.
Veröffentlicht: (2024)

Federated Learning on Stochastic Neural Networks
von: Tang, Jingqiao, et al.
Veröffentlicht: (2025)

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

Orthogonal Calibration for Asynchronous Federated Learning
von: Zhang, Jiayun, et al.
Veröffentlicht: (2025)

Where Do the Joules Go? Diagnosing Inference Energy Consumption
von: Chung, Jae-Won, et al.
Veröffentlicht: (2026)

BLOSSOM: Block-wise Federated Learning Over Shared and Sparse Observed Modalities
von: R, Pranav M, et al.
Veröffentlicht: (2026)

Towards cost-effective and resource-aware aggregation at Edge for Federated Learning
von: Khan, Ahmad Faraz, et al.
Veröffentlicht: (2022)

Protecting Confidentiality, Privacy and Integrity in Collaborative Learning
von: Chen, Dong, et al.
Veröffentlicht: (2024)

Towards Efficient Replay in Federated Incremental Learning
von: Li, Yichen, et al.
Veröffentlicht: (2024)

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

Revisiting Ensembling in One-Shot Federated Learning
von: Allouah, Youssef, et al.
Veröffentlicht: (2024)

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

Scheduling for On-Board Federated Learning with Satellite Clusters
von: Razmi, Nasrin, et al.
Veröffentlicht: (2024)

Federated Model Heterogeneous Matryoshka Representation Learning
von: Yi, Liping, et al.
Veröffentlicht: (2024)

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

Optimal Batch Allocation for Wireless Federated Learning
von: Song, Jaeyoung, et al.
Veröffentlicht: (2024)

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

Rashomon Sets and Model Multiplicity in Federated Learning
von: Heilmann, Xenia, et al.
Veröffentlicht: (2026)