Buchumschlag

Dual-Criterion Model Aggregation in Federated Learning: Balancing Data Quantity and Quality

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Zhang, Haizhou, Yu, Xianjia, Westerlund, Tomi
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

Blockchain-Enabled Privacy-Preserving Second-Order Federated Edge Learning in Personalized Healthcare
von: Nawaz, Anum, et al.
Veröffentlicht: (2025)

Blockchain Powered Edge Intelligence for U-Healthcare in Privacy Critical and Time Sensitive Environment
von: Nawaz, Anum, et al.
Veröffentlicht: (2025)

PhysVarMix: Physics-Informed Variational Mixture Model for Multi-Modal Trajectory Prediction
von: Li, Haichuan, et al.
Veröffentlicht: (2025)

Event-based Sensor Fusion and Application on Odometry: A Survey
von: Zhang, Jiaqiang, et al.
Veröffentlicht: (2024)

Balancing Label Quantity and Quality for Scalable Elicitation
von: Mallen, Alex, et al.
Veröffentlicht: (2024)

Navigating Data Corruption in Machine Learning: Balancing Quality, Quantity, and Imputation Strategies
von: Liu, Qi, et al.
Veröffentlicht: (2024)

Mitigating Modality Quantity and Quality Imbalance in Multimodal Online Federated Learning
von: Wang, Heqiang, et al.
Veröffentlicht: (2025)

Enhancing Lidar Point Cloud Sampling via Colorization and Super-Resolution of Lidar Imagery
von: Ha, Sier, et al.
Veröffentlicht: (2025)

Follow-Me in Micro-Mobility with End-to-End Imitation Learning
von: Salimpour, Sahar, et al.
Veröffentlicht: (2025)

Quotient Normalized Maximum Likelihood Criterion for Learning Bayesian Network Structures
von: Silander, Tomi, et al.
Veröffentlicht: (2024)

Dual-Criterion Curriculum Learning: Application to Temporal Data
von: Abel, Gaspard, et al.
Veröffentlicht: (2026)

Analysis of Deep Learning-Based Colorization and Super-Resolution Techniques for Lidar Imagery
von: Ha, Sier, et al.
Veröffentlicht: (2024)

Sim-to-Real Transfer for Mobile Robots with Reinforcement Learning: from NVIDIA Isaac Sim to Gazebo and Real ROS 2 Robots
von: Salimpour, Sahar, et al.
Veröffentlicht: (2025)

Local Data Quantity-Aware Weighted Averaging for Federated Learning with Dishonest Clients
von: Wu, Leming, et al.
Veröffentlicht: (2025)

SAFEVPR: Patch-Based Conformal Verification for Safe Cross-Condition Sequence Visual Place Recognition
von: Sier, Ha, et al.
Veröffentlicht: (2026)

A Robust Clustered Federated Learning Approach for Non-IID Data with Quantity Skew
von: Ali, Michael Ben, et al.
Veröffentlicht: (2025)

A Sensor-Aware Phenomenological Framework for Lidar Degradation Simulation and SLAM Robustness Evaluation
von: Felix, Doumegna Mawuto Koudjo, et al.
Veröffentlicht: (2025)

Quality over Quantity: Demonstration Curation via Influence Functions for Data-Centric Robot Learning
von: Lee, Haeone, et al.
Veröffentlicht: (2026)

Comparison of Middlewares in Edge-to-Edge and Edge-to-Cloud Communication for Distributed ROS2 Systems
von: Zhang, Jiaqiang, et al.
Veröffentlicht: (2023)

Is Training Data Quality or Quantity More Impactful to Small Language Model Performance?
von: Sajith, Aryan, et al.
Veröffentlicht: (2024)

Quality over Quantity: Boosting Data Efficiency Through Ensembled Multimodal Data Curation
von: Xu, Jinda, et al.
Veröffentlicht: (2025)

Enhancing the Convergence of Federated Learning Aggregation Strategies with Limited Data
von: Díaz, Judith Sáinz-Pardo, et al.
Veröffentlicht: (2025)

Fisher-Informed Parameterwise Aggregation for Federated Learning with Heterogeneous Data
von: Chang, Zhipeng, et al.
Veröffentlicht: (2026)

Seamless Outdoor-Indoor Pedestrian Positioning System with GNSS/UWB/IMU Fusion: A Comparison of EKF, FGO, and PF
von: Zhang, Jiaqiang, et al.
Veröffentlicht: (2025)

Fluid Democracy in Federated Data Aggregation
von: Kesari, Aditya Vema Reddy, et al.
Veröffentlicht: (2025)

Recycling the Web: A Method to Enhance Pre-training Data Quality and Quantity for Language Models
von: Nguyen, Thao, et al.
Veröffentlicht: (2025)

Data-Efficient Contrastive Language-Image Pretraining: Prioritizing Data Quality over Quantity
von: Joshi, Siddharth, et al.
Veröffentlicht: (2024)

Dual-Balancing for Multi-Task Learning
von: Lin, Baijiong, et al.
Veröffentlicht: (2023)

Bayesian Robust Aggregation for Federated Learning
von: Karakulev, Aleksandr, et al.
Veröffentlicht: (2025)

Noether's razor: Learning Conserved Quantities
von: van der Ouderaa, Tycho F. A., et al.
Veröffentlicht: (2024)

Tackling Data Heterogeneity in Federated Learning through Knowledge Distillation with Inequitable Aggregation
von: Ma, Xing
Veröffentlicht: (2025)

Personalized Bayesian Federated Learning with Wasserstein Barycenter Aggregation
von: Wei, Ting, et al.
Veröffentlicht: (2025)

FedCFA: Alleviating Simpson's Paradox in Model Aggregation with Counterfactual Federated Learning
von: Jiang, Zhonghua, et al.
Veröffentlicht: (2024)

Balancing Privacy-Quality-Efficiency in Federated Learning through Round-Based Interleaving of Protection Techniques
von: Wang, Yenan, et al.
Veröffentlicht: (2026)

On the Power of Adaptive Weighted Aggregation in Heterogeneous Federated Learning and Beyond
von: Zeng, Dun, et al.
Veröffentlicht: (2023)

Beyond Quantities: Machine Learning-based Characterization of Inequality in Infrastructure Quality Provision in Cities
von: Li, Bo, et al.
Veröffentlicht: (2024)

An Aggregation-Free Federated Learning for Tackling Data Heterogeneity
von: Wang, Yuan, et al.
Veröffentlicht: (2024)

FedADP: Unified Model Aggregation for Federated Learning with Heterogeneous Model Architectures
von: Wang, Jiacheng, et al.
Veröffentlicht: (2025)

FIRMA: FIbonacci Ring Model Aggregation for Privacy-preserving Federated Learning
von: Hedjam, Rachid
Veröffentlicht: (2026)

FOVA: Offline Federated Reinforcement Learning with Mixed-Quality Data
von: Qiao, Nan, et al.
Veröffentlicht: (2025)