Buchumschlag

FLAME: Adaptive and Reactive Concept Drift Mitigation for Federated Learning Deployments

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Mavromatis, Ioannis, De Feo, Stefano, Khan, Aftab
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Machine Learning Artificial Intelligence
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

FedMap: Iterative Magnitude-Based Pruning for Communication-Efficient Federated Learning
von: Herzog, Alexander, et al.
Veröffentlicht: (2024)

Green MLOps to Green GenOps: An Empirical Study of Energy Consumption in Discriminative and Generative AI Operations
von: Sánchez-Mompó, Adrián, et al.
Veröffentlicht: (2025)

Mitigating System Bias in Resource Constrained Asynchronous Federated Learning Systems
von: Gao, Jikun, et al.
Veröffentlicht: (2024)

Federated Learning with Sample-level Client Drift Mitigation
von: Xu, Haoran, et al.
Veröffentlicht: (2025)

FLAME: Towards Federated Fine-Tuning Large Language Models Through Adaptive SMoE
von: Le, Khiem, et al.
Veröffentlicht: (2025)

Computing Within Limits: An Empirical Study of Energy Consumption in ML Training and Inference
von: Mavromatis, Ioannis, et al.
Veröffentlicht: (2024)

Past, Present, Future: A Comprehensive Exploration of AI Use Cases in the UMBRELLA IoT Testbed
von: Li, Peizheng, et al.
Veröffentlicht: (2024)

Online Boosting Adaptive Learning under Concept Drift for Multistream Classification
von: Yu, En, et al.
Veröffentlicht: (2023)

Lyapunov-Stable Adaptive Control for Multimodal Concept Drift
von: Pan, Tianyu Bell, et al.
Veröffentlicht: (2025)

Topology Reorganized Graph Contrastive Learning with Mitigating Semantic Drift
von: Zhang, Jiaqiang, et al.
Veröffentlicht: (2024)

Mitigating Non-IID Drift in Zeroth-Order Federated LLM Fine-Tuning with Transferable Sparsity
von: Ran, Yide, et al.
Veröffentlicht: (2025)

RCCDA: Adaptive Model Updates in the Presence of Concept Drift under a Constrained Resource Budget
von: Piaseczny, Adam, et al.
Veröffentlicht: (2025)

CORAL: Concept Drift Representation Learning for Co-evolving Time-series
von: Xu, Kunpeng, et al.
Veröffentlicht: (2025)

Learning Unbiased Cluster Descriptors for Interpretable Imbalanced Concept Drift Detection
von: Zhang, Yiqun, et al.
Veröffentlicht: (2026)

Holistic Continual Learning under Concept Drift with Adaptive Memory Realignment
von: Ashrafee, Alif, et al.
Veröffentlicht: (2025)

Online Drift Detection with Maximum Concept Discrepancy
von: Wan, Ke, et al.
Veröffentlicht: (2024)

GNN-RAG: Graph Neural Retrieval for Large Language Model Reasoning
von: Mavromatis, Costas, et al.
Veröffentlicht: (2024)

Unsupervised Concept Drift Detection from Deep Learning Representations in Real-time
von: Greco, Salvatore, et al.
Veröffentlicht: (2024)

Generalized Incremental Learning under Concept Drift across Evolving Data Streams
von: Yu, En, et al.
Veröffentlicht: (2025)

Online Detection of Water Contamination Under Concept Drift
von: Li, Jin, et al.
Veröffentlicht: (2025)

Explaining Concept Drift through the Evolution of Group Counterfactuals
von: Stępka, Ignacy, et al.
Veröffentlicht: (2025)

Federated Continual Learning: Concepts, Challenges, and Solutions
von: Hamedi, Parisa, et al.
Veröffentlicht: (2025)

FedSSG: Expectation-Gated and History-Aware Drift Alignment for Federated Learning
von: Zhou, Zhanting, et al.
Veröffentlicht: (2025)

Train Less, Learn More: Adaptive Efficient Rollout Optimization for Group-Based Reinforcement Learning
von: Zhang, Zhi, et al.
Veröffentlicht: (2026)

Optimized Deep Learning Models for Malware Detection under Concept Drift
von: Maillet, William, et al.
Veröffentlicht: (2023)

Detecting Concept Drift in Neural Networks Using Chi-squared Goodness of Fit Testing
von: Ayers, Jacob Glenn, et al.
Veröffentlicht: (2025)

Mitigating Participation Imbalance Bias in Asynchronous Federated Learning
von: Chang, Xiangyu, et al.
Veröffentlicht: (2025)

WormKAN: Are KAN Effective for Identifying and Tracking Concept Drift in Time Series?
von: Xu, Kunpeng, et al.
Veröffentlicht: (2024)

The Kinetics of Reasoning: How Chain-of-Thought Shapes Learning in Transformers?
von: Pengmei, Zihan, et al.
Veröffentlicht: (2025)

Drift Q-Learning
von: Houssaini, Anas, et al.
Veröffentlicht: (2026)

Progressive Size-Adaptive Federated Learning: A Comprehensive Framework for Heterogeneous Multi-Modal Data Systems
von: Hussain, Sajid, et al.
Veröffentlicht: (2025)

FedFixer: Mitigating Heterogeneous Label Noise in Federated Learning
von: Ji, Xinyuan, et al.
Veröffentlicht: (2024)

Taming Preconditioner Drift: Unlocking the Potential of Second-Order Optimizers for Federated Learning on Non-IID Data
von: Liu, Junkang, et al.
Veröffentlicht: (2026)

Concept Drift Adaptation Using Self-Supervised and Reinforcement Learning In Android Malware Detection
von: Sabbah, Ahmed, et al.
Veröffentlicht: (2026)

Adapting MLOps for Diverse In-Network Intelligence in 6G Era: Challenges and Solutions
von: Li, Peizheng, et al.
Veröffentlicht: (2024)

Performance Control in Early Exiting to Deploy Large Models at the Same Cost of Smaller Ones
von: Mofakhami, Mehrnaz, et al.
Veröffentlicht: (2024)

Federated Timeline Synthesis: Scalable and Private Methodology For Model Training and Deployment
von: Renc, Pawel, et al.
Veröffentlicht: (2025)

Deep Learning-Driven Malware Classification with API Call Sequence Analysis and Concept Drift Handling
von: Gond, Bishwajit Prasad, et al.
Veröffentlicht: (2025)

Deploying Models to Non-participating Clients in Federated Learning without Fine-tuning: A Hypernetwork-based Approach
von: Zhou, Yuhao, et al.
Veröffentlicht: (2025)

Bayesian Federated Learning for Continual Training
von: Milasheuski, Usevalad, et al.
Veröffentlicht: (2025)