Buchumschlag

Why Go Full? Elevating Federated Learning Through Partial Network Updates

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Wang, Haolin, Liu, Xuefeng, Niu, Jianwei, Guo, Wenkai, Tang, Shaojie
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Can Federated Learning Safeguard Private Data in LLM Training? Vulnerabilities, Attacks, and Defense Evaluation
von: Guo, Wenkai, et al.
Veröffentlicht: (2025)

Decoupling General and Personalized Knowledge in Federated Learning via Additive and Low-Rank Decomposition
von: Wu, Xinghao, et al.
Veröffentlicht: (2024)

The Other Side of the Coin: Unveiling the Downsides of Model Aggregation in Federated Learning from a Layer-peeled Perspective
von: Zhu, Guogang, et al.
Veröffentlicht: (2025)

Tackling Feature-Classifier Mismatch in Federated Learning via Prompt-Driven Feature Transformation
von: Wu, Xinghao, et al.
Veröffentlicht: (2024)

Learning to Optimize Job Shop Scheduling Under Structural Uncertainty
von: Zhang, Rui, et al.
Veröffentlicht: (2026)

DualFed: Enjoying both Generalization and Personalization in Federated Learning via Hierachical Representations
von: Zhu, Guogang, et al.
Veröffentlicht: (2024)

From Coordinate Matching to Structural Alignment: Rethinking Prototype Alignment in Heterogeneous Federated Learning
von: Wu, Xinghao, et al.
Veröffentlicht: (2026)

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

Enhancing Visual Representation with Textual Semantics: Textual Semantics-Powered Prototypes for Heterogeneous Federated Learning
von: Wu, Xinghao, et al.
Veröffentlicht: (2025)

Estimating before Debiasing: A Bayesian Approach to Detaching Prior Bias in Federated Semi-Supervised Learning
von: Zhu, Guogang, et al.
Veröffentlicht: (2024)

On the Complexity of Offline Reinforcement Learning with $Q^\star$-Approximation and Partial Coverage
von: Liu, Haolin, et al.
Veröffentlicht: (2026)

FedGTEA: Federated Class-Incremental Learning with Gaussian Task Embedding and Alignment
von: Li, Haolin, et al.
Veröffentlicht: (2025)

Hierarchical Federated Learning for Social Network with Mobility
von: Chen, Zeyu, et al.
Veröffentlicht: (2025)

Degree of Staleness-Aware Data Updating in Federated Learning
von: Liu, Tao, et al.
Veröffentlicht: (2025)

Learning Submodular Sequencing from Samples
von: Yuan, Jing, et al.
Veröffentlicht: (2024)

Diffusion Learning with Partial Agent Participation and Local Updates
von: Rizk, Elsa, et al.
Veröffentlicht: (2025)

Improved Learning Rates for Stochastic Optimization
von: Li, Shaojie, et al.
Veröffentlicht: (2021)

Personalized Federated Learning via Gaussian Generative Modeling
von: Hu, Peng, et al.
Veröffentlicht: (2026)

Private Aggregation in Hierarchical Wireless Federated Learning with Partial and Full Collusion
von: Egger, Maximilian, et al.
Veröffentlicht: (2023)

PID-Guided Partial Alignment for Multimodal Decentralized Federated Learning
von: Shi, Yanhang, et al.
Veröffentlicht: (2026)

Revisiting Label Inference Attacks in Vertical Federated Learning: Why They Are Vulnerable and How to Defend
von: Liu, Yige, et al.
Veröffentlicht: (2026)

Decentralized Federated Learning by Partial Message Exchange
von: Sha, Shan, et al.
Veröffentlicht: (2026)

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

Robust Federated Learning in Unreliable Wireless Networks: A Client Selection Approach
von: Wang, Yanmeng, et al.
Veröffentlicht: (2025)

Knowledge Distillation in Federated Edge Learning: A Survey
von: Wu, Zhiyuan, et al.
Veröffentlicht: (2023)

Optimized Local Updates in Federated Learning via Reinforcement Learning
von: Murad, Ali, et al.
Veröffentlicht: (2025)

Disentangled Graph Representation Based on Substructure-Aware Graph Optimal Matching Kernel Convolutional Networks
von: Wang, Mao, et al.
Veröffentlicht: (2025)

FedLF: Adaptive Logit Adjustment and Feature Optimization in Federated Long-Tailed Learning
von: Lu, Xiuhua, et al.
Veröffentlicht: (2024)

FedHiP: Heterogeneity-Invariant Personalized Federated Learning Through Closed-Form Solutions
von: Tang, Jianheng, et al.
Veröffentlicht: (2025)

Federated Class-Incremental Learning with New-Class Augmented Self-Distillation
von: Wu, Zhiyuan, et al.
Veröffentlicht: (2024)

On the Convergence of Federated Averaging under Partial Participation for Over-parameterized Neural Networks
von: Liu, Xin, et al.
Veröffentlicht: (2023)

Save It All: Enabling Full Parameter Tuning for Federated Large Language Models via Cycle Block Gradient Descent
von: Wang, Lin, et al.
Veröffentlicht: (2024)

FedImpro: Measuring and Improving Client Update in Federated Learning
von: Tang, Zhenheng, et al.
Veröffentlicht: (2024)

Weisfeiler and Leman Go Gambling: Why Expressive Lottery Tickets Win
von: Kummer, Lorenz, et al.
Veröffentlicht: (2025)

Realistic Evaluation of Deep Partial-Label Learning Algorithms
von: Wang, Wei, et al.
Veröffentlicht: (2025)

Cluster-Aware Multi-Round Update for Wireless Federated Learning in Heterogeneous Environments
von: Sun, Pengcheng, et al.
Veröffentlicht: (2025)

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

Can We Theoretically Quantify the Impacts of Local Updates on the Generalization Performance of Federated Learning?
von: Ju, Peizhong, et al.
Veröffentlicht: (2024)

Smart Sampling: Helping from Friendly Neighbors for Decentralized Federated Learning
von: Wang, Lin, et al.
Veröffentlicht: (2024)

FedAPM: Federated Learning via ADMM with Partial Model Personalization
von: Zhu, Shengkun, et al.
Veröffentlicht: (2025)