Buchumschlag

ParallelSFL: A Novel Split Federated Learning Framework Tackling Heterogeneity Issues

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Liao, Yunming, Xu, Yang, Xu, Hongli, Yao, Zhiwei, Huang, Liusheng, Qiao, Chunming
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Distributed, Parallel, and Cluster Computing
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

SemiSFL: Split Federated Learning on Unlabeled and Non-IID Data
von: Xu, Yang, et al.
Veröffentlicht: (2023)

MergeSFL: Split Federated Learning with Feature Merging and Batch Size Regulation
von: Liao, Yunming, et al.
Veröffentlicht: (2023)

Cross-region Model Training with Communication-Computation Overlapping and Delay Compensation
von: Zhu, Ying, et al.
Veröffentlicht: (2025)

Many Hands Make Light Work: Accelerating Edge Inference via Multi-Client Collaborative Caching
von: Liang, Wenyi, et al.
Veröffentlicht: (2024)

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

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

Collaborative Speculative Inference for Efficient LLM Inference Serving
von: Gao, Luyao, et al.
Veröffentlicht: (2025)

Collaborative Inference for Large Models with Task Offloading and Early Exiting
von: Xie, Zuan, et al.
Veröffentlicht: (2024)

Towards Communication-Efficient Decentralized Federated Graph Learning over Non-IID Data
von: Wang, Shilong, et al.
Veröffentlicht: (2025)

Adaptive Parameter-Efficient Federated Fine-Tuning on Heterogeneous Devices
von: Liu, Jun, et al.
Veröffentlicht: (2024)

A Robust Federated Learning Framework for Undependable Devices at Scale
von: Wang, Shilong, et al.
Veröffentlicht: (2024)

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

Efficient Deployment of Large Language Models on Resource-constrained Devices
von: Yao, Zhiwei, et al.
Veröffentlicht: (2025)

Accelerating End-Cloud Collaborative Inference via Near Bubble-free Pipeline Optimization
von: Gao, Luyao, et al.
Veröffentlicht: (2024)

Caesar: A Low-deviation Compression Approach for Efficient Federated Learning
von: Yan, Jiaming, et al.
Veröffentlicht: (2024)

Mitigating Catastrophic Forgetting with Adaptive Transformer Block Expansion in Federated Fine-Tuning
von: Huo, Yujia, et al.
Veröffentlicht: (2025)

DySTop
von: Shi, Yizhou, et al.
Veröffentlicht: (2025)

AdaptSFL: Adaptive Split Federated Learning in Resource-constrained Edge Networks
von: Lin, Zheng, et al.
Veröffentlicht: (2024)

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

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

SFL-LEO: Asynchronous Split-Federated Learning Design for LEO Satellite-Ground Network Framework
von: Wu, Jiasheng, et al.
Veröffentlicht: (2025)

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

Bandwidth-Aware and Cost-Efficient Pipeline Parallel Scheduling in Geo-Distributed LLM Training
von: Zhang, Han, et al.
Veröffentlicht: (2026)

ALANINE: A Novel Decentralized Personalized Federated Learning For Heterogeneous LEO Satellite Constellation
von: Zhao, Liang, et al.
Veröffentlicht: (2024)

Breaking the Memory Wall for Heterogeneous Federated Learning via Model Splitting
von: Tian, Chunlin, et al.
Veröffentlicht: (2024)

Convergence Analysis of Split Federated Learning on Heterogeneous Data
von: Han, Pengchao, et al.
Veröffentlicht: (2024)

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

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

Memory-Efficient Split Federated Learning for LLM Fine-Tuning on Heterogeneous Mobile Devices
von: Chen, Xiaopei, et al.
Veröffentlicht: (2025)

Exploring System-Heterogeneous Federated Learning with Dynamic Model Selection
von: Yao, Dixi
Veröffentlicht: (2024)

Towards Affordable, Adaptive and Automatic GNN Training on CPU-GPU Heterogeneous Platforms
von: Qiao, Tong, et al.
Veröffentlicht: (2025)

Accelerating Microswimmer Simulations via a Heterogeneous Pipelined Parallel-in-Time Framework
von: Huang, Ruixiang, et al.
Veröffentlicht: (2026)

Collaborative Split Federated Learning with Parallel Training and Aggregation
von: Papageorgiou, Yiannis, et al.
Veröffentlicht: (2025)

Accelerating Heterogeneous Tensor Parallelism via Flexible Workload Control
von: Wang, Zhigang, et al.
Veröffentlicht: (2024)

Communication-Computation Pipeline Parallel Split Learning over Wireless Edge Networks
von: Liu, Chenyu, et al.
Veröffentlicht: (2025)

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

FedClust: Tackling Data Heterogeneity in Federated Learning through Weight-Driven Client Clustering
von: Islam, Md Sirajul, et al.
Veröffentlicht: (2024)

DFPL: Decentralized Federated Prototype Learning Across Heterogeneous Data Distributions
von: Zhang, Hongliang, et al.
Veröffentlicht: (2025)

Air-FedGA: A Grouping Asynchronous Federated Learning Mechanism Exploiting Over-the-air Computation
von: Ma, Qianpiao, et al.
Veröffentlicht: (2025)

SMoFi: Step-wise Momentum Fusion for Split Federated Learning on Heterogeneous Data
von: Yang, Mingkun, et al.
Veröffentlicht: (2025)