Buchumschlag

Debiasing Federated Learning with Correlated Client Participation

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Sun, Zhenyu, Zhang, Ziyang, Xu, Zheng, Joshi, Gauri, Sharma, Pranay, Wei, Ermin
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

Initialization Matters: Unraveling the Impact of Pre-Training on Federated Learning
von: Jhunjhunwala, Divyansh, et al.
Veröffentlicht: (2025)

Federated Communication-Efficient Multi-Objective Optimization
von: Askin, Baris, et al.
Veröffentlicht: (2024)

FedAST: Federated Asynchronous Simultaneous Training
von: Askin, Baris, et al.
Veröffentlicht: (2024)

FedFisher: Leveraging Fisher Information for One-Shot Federated Learning
von: Jhunjhunwala, Divyansh, et al.
Veröffentlicht: (2024)

Harnessing Increased Client Participation with Cohort-Parallel Federated Learning
von: Dhasade, Akash, et al.
Veröffentlicht: (2024)

Understanding Server-Assisted Federated Learning in the Presence of Incomplete Client Participation
von: Yang, Haibo, et al.
Veröffentlicht: (2024)

Heterogeneous LoRA for Federated Fine-tuning of On-Device Foundation Models
von: Cho, Yae Jee, et al.
Veröffentlicht: (2024)

Embracing Federated Learning: Enabling Weak Client Participation via Partial Model Training
von: Lee, Sunwoo, et al.
Veröffentlicht: (2024)

Emulating Full Participation: An Effective and Fair Client Selection Strategy for Federated Learning
von: Li, Qingming, et al.
Veröffentlicht: (2024)

Exact and Linear Convergence for Federated Learning under Arbitrary Client Participation is Attainable
von: Ying, Bicheng, et al.
Veröffentlicht: (2025)

Overcoming Challenges of Partial Client Participation in Federated Learning : A Comprehensive Review
von: Sen, Mrinmay, et al.
Veröffentlicht: (2025)

Communication-Efficient Federated AUC Maximization with Cyclic Client Participation
von: Vangapally, Umesh, et al.
Veröffentlicht: (2026)

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

FedAdaVR: Adaptive Variance Reduction for Robust Federated Learning under Limited Client Participation
von: Howlader, S M Ruhul Kabir, et al.
Veröffentlicht: (2026)

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

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

MimiC: Combating Client Dropouts in Federated Learning by Mimicking Central Updates
von: Sun, Yuchang, et al.
Veröffentlicht: (2023)

Federated Learning under Periodic Client Participation and Heterogeneous Data: A New Communication-Efficient Algorithm and Analysis
von: Crawshaw, Michael, et al.
Veröffentlicht: (2024)

Towards Seamless Hierarchical Federated Learning under Intermittent Client Participation: A Stagewise Decision-Making Methodology
von: Wu, Minghong, et al.
Veröffentlicht: (2025)

Unlocking Dynamic Inter-Client Spatial Dependencies: A Federated Spatio-Temporal Graph Learning Method for Traffic Flow Forecasting
von: Wang, Feng, et al.
Veröffentlicht: (2025)

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

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

Ranking-based Client Selection with Imitation Learning for Efficient Federated Learning
von: Tian, Chunlin, et al.
Veröffentlicht: (2024)

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

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

GC-Fed: Gradient Centralized Federated Learning with Partial Client Participation
von: Seo, Jungwon, 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)

Accelerating Hybrid Federated Learning Convergence under Partial Participation
von: Bian, Jieming, et al.
Veröffentlicht: (2023)

Toward Malicious Clients Detection in Federated Learning
von: Dou, Zhihao, et al.
Veröffentlicht: (2025)

Maverick-Aware Shapley Valuation for Client Selection in Federated Learning
von: Yang, Mengwei, et al.
Veröffentlicht: (2024)

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

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

Greedy Shapley Client Selection for Communication-Efficient Federated Learning
von: Singhal, Pranava, et al.
Veröffentlicht: (2023)

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

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

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

Communication-Efficient Multimodal Federated Learning: Joint Modality and Client Selection
von: Yuan, Liangqi, et al.
Veröffentlicht: (2024)

Flexible Clustered Federated Learning for Client-Level Data Distribution Shift
von: Duan, Moming, et al.
Veröffentlicht: (2021)

S-VOTE: Similarity-based Voting for Client Selection in Decentralized Federated Learning
von: Sánchez, Pedro Miguel Sánchez, et al.
Veröffentlicht: (2025)