Buchumschlag

Leveraging Foundation Models for Efficient Federated Learning in Resource-restricted Edge Networks

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Atapour, S. Kawa, SeyedMohammadi, S. Jamal, Sheikholeslami, S. Mohammad, Abouei, Jamshid, Plataniotis, Konstantinos N., Mohammadi, Arash
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Distributed, Parallel, and Cluster Computing Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

FedD2S: Personalized Data-Free Federated Knowledge Distillation
von: Atapour, Kawa, et al.
Veröffentlicht: (2024)

KnFu: Effective Knowledge Fusion
von: Seyedmohammadi, S. Jamal, et al.
Veröffentlicht: (2024)

FedFog: Resource-Aware Federated Learning in Edge and Fog Networks
von: Sobati-M, Somayeh
Veröffentlicht: (2025)

H-EYE: Holistic Resource Modeling and Management for Diversely Scaled Edge-Cloud Systems
von: Dagli, Ismet, et al.
Veröffentlicht: (2024)

Modular Foundation Model Inference at the Edge: Network-Aware Microservice Optimization
von: Zhu, Juan, et al.
Veröffentlicht: (2026)

Federated Learning as a Service for Hierarchical Edge Networks with Heterogeneous Models
von: Gao, Wentao, et al.
Veröffentlicht: (2024)

Energy Efficient Federated Learning with Hyperdimensional Computing over Wireless Communication Networks
von: Ding, Yahao, et al.
Veröffentlicht: (2026)

AIGC-assisted Federated Learning for Vehicular Edge Intelligence: Vehicle Selection, Resource Allocation and Model Augmentation
von: Qiang, Xianke, et al.
Veröffentlicht: (2025)

ReinFog: A Deep Reinforcement Learning Empowered Framework for Resource Management in Edge and Cloud Computing Environments
von: Wang, Zhiyu, et al.
Veröffentlicht: (2024)

Energy-Efficient Real-Time Job Mapping and Resource Management in Mobile-Edge Computing
von: Gao, Chuanchao, et al.
Veröffentlicht: (2025)

HybridFlow: Resource-Adaptive Subtask Routing for Efficient Edge-Cloud LLM Inference
von: Dong, Jiangwen, et al.
Veröffentlicht: (2025)

A Scalable Multi-Layered Blockchain Architecture for Enhanced EHR Sharing and Drug Supply Chain Management
von: Javan, Reza, et al.
Veröffentlicht: (2024)

SCALHEALTH: Scalable Blockchain Integration for Secure IoT Healthcare Systems
von: Mohammadi, Mehrzad, et al.
Veröffentlicht: (2024)

Semantic-aware Token Selection and Resource Optimization for Communication-efficient Split Federated Fine-tuning in Edge Intelligence
von: Qiang, Xianke, et al.
Veröffentlicht: (2026)

Efficient Routing of Inference Requests across LLM Instances in Cloud-Edge Computing
von: Yu, Shibo, et al.
Veröffentlicht: (2025)

Communication-and-Computation Efficient Split Federated Learning: Gradient Aggregation and Resource Management
von: Liang, Yipeng, et al.
Veröffentlicht: (2025)

CarbonEdge: Leveraging Mesoscale Spatial Carbon-Intensity Variations for Low Carbon Edge Computing
von: Wu, Li, et al.
Veröffentlicht: (2025)

CroSatFL: Energy-Efficient Federated Learning with Cross-Aggregation for Satellite Edge Computing
von: Yang, Nan, et al.
Veröffentlicht: (2026)

Surviving the Edge: Federated Learning under Networking and Resource Constraints
von: Mwanje, Mike, et al.
Veröffentlicht: (2026)

Distributed Hierarchical Machine Learning for Joint Resource Allocation and Slice Selection in In-Network Edge Systems
von: Rashid, Sulaiman Muhammad, et al.
Veröffentlicht: (2025)

Energy-Efficient Joint Offloading and Resource Allocation for Deadline-Constrained Tasks in Multi-Access Edge Computing
von: Gao, Chuanchao, et al.
Veröffentlicht: (2025)

Converter: A CEAML Reasoner Python package to Streamline Orchestration Across Cloud and Edge Continuum
von: Korontanis, Ioannis, et al.
Veröffentlicht: (2024)

Federated Unlearning in Edge Networks: A Survey of Fundamentals, Challenges, Practical Applications and Future Directions
von: Ng, Jer Shyuan, et al.
Veröffentlicht: (2026)

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

A Joint Time and Energy-Efficient Federated Learning-based Computation Offloading Method for Mobile Edge Computing
von: Mukherjee, Anwesha, et al.
Veröffentlicht: (2024)

Energy Efficient Federated Learning with Hyperdimensional Computing (HDC)
von: Ding, Yahao, et al.
Veröffentlicht: (2026)

Dependency-aware Resource Allocation for Serverless Functions at the Edge
von: Baresi, Luciano, et al.
Veröffentlicht: (2023)

Totoro$^+$: An Adaptive and Scalable Edge Federated Learning System
von: Ching, Cheng-Wei, et al.
Veröffentlicht: (2026)

Leveraging Foundation Models for Multi-modal Federated Learning with Incomplete Modality
von: Che, Liwei, et al.
Veröffentlicht: (2024)

Developing Elementary Federated Learning Algorithms Leveraging the ChatGPT
von: Popovic, Miroslav, et al.
Veröffentlicht: (2023)

EdgeShard: Efficient LLM Inference via Collaborative Edge Computing
von: Zhang, Mingjin, et al.
Veröffentlicht: (2024)

Distributed Resource Selection for Self-Organising Cloud-Edge Systems
von: Renau, Quentin, et al.
Veröffentlicht: (2025)

Resource-efficient Parallel Split Learning in Heterogeneous Edge Computing
von: Zhang, Mingjin, et al.
Veröffentlicht: (2024)

Communication-Efficient Federated Learning by Quantized Variance Reduction for Heterogeneous Wireless Edge Networks
von: Wang, Shuai, et al.
Veröffentlicht: (2025)

Performance and Security Aware Distributed Service Placement in Fog Computing
von: Goudarzi, Mohammad, et al.
Veröffentlicht: (2026)

LLM-Driven Intent-Based Privacy-Aware Orchestration Across the Cloud-Edge Continuum
von: Su, Zijie, et al.
Veröffentlicht: (2026)

Resource Efficient Asynchronous Federated Learning for Digital Twin Empowered IoT Network
von: Chu, Shunfeng, et al.
Veröffentlicht: (2024)

Hyperdimensional Computing Empowered Federated Foundation Model over Wireless Networks for Metaverse
von: Ding, Yahao, et al.
Veröffentlicht: (2024)

Stochastic Modeling for Energy-Efficient Edge Infrastructure
von: Rossi, Fabio Diniz
Veröffentlicht: (2025)

FedSZ: Leveraging Error-Bounded Lossy Compression for Federated Learning Communications
von: Wilkins, Grant, et al.
Veröffentlicht: (2023)