Buchumschlag

Hybrid-Regularized Magnitude Pruning for Robust Federated Learning under Covariate Shift

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Goksu, Ozgu, Pugeault, Nicolas
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Machine Learning Computer Vision and Pattern Recognition
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

FedQuad: Federated Stochastic Quadruplet Learning to Mitigate Data Heterogeneity
von: Goksu, Ozgu, et al.
Veröffentlicht: (2025)

Enhancing Federated Quadruplet Learning: Stochastic Client Selection and Embedding Stability Analysis
von: Goksu, Ozgu, et al.
Veröffentlicht: (2026)

The Bad Batches: Enhancing Self-Supervised Learning in Image Classification Through Representative Batch Curation
von: Goksu, Ozgu, et al.
Veröffentlicht: (2024)

From Local Geometry to Global Pseudo Labeling for Robust Positive Unlabeled Learning under Covariate Shift
von: Gabetni, Firas, et al.
Veröffentlicht: (2026)

Is Complexity Required for Neural Network Pruning? A Case Study on Global Magnitude Pruning
von: Gupta, Manas, et al.
Veröffentlicht: (2022)

Prompt Tuning Vision Language Models with Margin Regularizer for Few-Shot Learning under Distribution Shifts
von: Brahma, Debarshi, et al.
Veröffentlicht: (2025)

Pooling Image Datasets With Multiple Covariate Shift and Imbalance
von: Chytas, Sotirios Panagiotis, et al.
Veröffentlicht: (2024)

Robustifying Diffusion-Denoised Smoothing Against Covariate Shift
von: Hedayatnia, Ali, et al.
Veröffentlicht: (2025)

Variance-Covariance Regularization Improves Representation Learning
von: Zhu, Jiachen, et al.
Veröffentlicht: (2023)

Covariances for Free: Exploiting Mean Distributions for Training-free Federated Learning
von: Goswami, Dipam, et al.
Veröffentlicht: (2024)

Distance Matters For Improving Performance Estimation Under Covariate Shift
von: Roschewitz, Mélanie, et al.
Veröffentlicht: (2023)

ASAP: Attention-Shift-Aware Pruning for Efficient LVLM Inference
von: Pathak, Surendra, et al.
Veröffentlicht: (2026)

MedFL-Stress: A Systematic Robustness Evaluation of Federated Brain Tumor Segmentation under Cross-Hospital MRI Appearance Shift
von: Naseer, Kiran, et al.
Veröffentlicht: (2026)

Robust Few-Shot Ensemble Learning with Focal Diversity-Based Pruning
von: Tekin, Selim Furkan, et al.
Veröffentlicht: (2024)

Uncertainty-Aware Subset Selection for Robust Visual Explainability under Distribution Shifts
von: Gupta, Madhav, et al.
Veröffentlicht: (2025)

Multimodal-Guided Dynamic Dataset Pruning for Robust and Efficient Data-Centric Learning
von: Yang, Suorong, et al.
Veröffentlicht: (2025)

DRoP: Distributionally Robust Data Pruning
von: Vysogorets, Artem, et al.
Veröffentlicht: (2024)

Learning Calibrated Uncertainties for Domain Shift: A Distributionally Robust Learning Approach
von: Wang, Haoxuan, et al.
Veröffentlicht: (2020)

OODRobustBench: a Benchmark and Large-Scale Analysis of Adversarial Robustness under Distribution Shift
von: Li, Lin, et al.
Veröffentlicht: (2023)

Federated Hybrid Training and Self-Adversarial Distillation: Towards Robust Edge Networks
von: Qiao, Yu, et al.
Veröffentlicht: (2024)

Adaptive Sharpness-Aware Pruning for Robust Sparse Networks
von: Bair, Anna, et al.
Veröffentlicht: (2023)

Ego4OOD: Rethinking Egocentric Video Domain Generalization via Covariate Shift Scoring
von: Vaseqi, Zahra, et al.
Veröffentlicht: (2026)

Enhancing Certifiable Semantic Robustness via Robust Pruning of Deep Neural Networks
von: Hu, Hanjiang, et al.
Veröffentlicht: (2025)

Producing Plankton Classifiers that are Robust to Dataset Shift
von: Chen, Cheng, et al.
Veröffentlicht: (2024)

Enhancing Fine-Grained Visual Recognition in the Low-Data Regime Through Feature Magnitude Regularization
von: Chapman, Avraham, et al.
Veröffentlicht: (2024)

Latent Domain Modeling Improves Robustness to Geographic Shifts
von: Crasto, Ruth, et al.
Veröffentlicht: (2025)

Beyond Loss Values: Robust Dynamic Pruning via Loss Trajectory Alignment
von: Qin, Huaiyuan, et al.
Veröffentlicht: (2026)

Exploring Magnitude Preservation and Rotation Modulation in Diffusion Transformers
von: Bill, Eric Tillman, et al.
Veröffentlicht: (2025)

Efficiently Assemble Normalization Layers and Regularization for Federated Domain Generalization
von: Le, Khiem, et al.
Veröffentlicht: (2024)

Adversarial Pruning: A Survey and Benchmark of Pruning Methods for Adversarial Robustness
von: Piras, Giorgio, et al.
Veröffentlicht: (2024)

From Optimization to Generalization: Fair Federated Learning against Quality Shift via Inter-Client Sharpness Matching
von: Wu, Nannan, et al.
Veröffentlicht: (2024)

Can Your Generative Model Detect Out-of-Distribution Covariate Shift?
von: Viviers, Christiaan, et al.
Veröffentlicht: (2024)

FPPL: An Efficient and Non-IID Robust Federated Continual Learning Framework
von: He, Yuchen, et al.
Veröffentlicht: (2024)

Towards Adversarially Robust Dataset Distillation by Curvature Regularization
von: Xue, Eric, et al.
Veröffentlicht: (2024)

Improved Regularization and Robustness for Fine-tuning in Neural Networks
von: Li, Dongyue, et al.
Veröffentlicht: (2021)

Improving Adversarial Robustness of Attribution via Implicit Regularization
von: Mehrpanah, Amir, et al.
Veröffentlicht: (2026)

Robust Visual Representation Learning with Multi-modal Prior Knowledge for Image Classification Under Distribution Shift
von: Zhou, Hongkuan, et al.
Veröffentlicht: (2024)

Covariance-Aware Goodness for Scalable Forward-Forward Learning
von: Jiang, Xiaoyi, et al.
Veröffentlicht: (2026)

The MICCAI Federated Tumor Segmentation (FeTS) Challenge 2024: Efficient and Robust Aggregation Methods for Federated Learning
von: Linardos, Akis, et al.
Veröffentlicht: (2025)

Thermodynamically Optimal Regularization under Information-Geometric Constraints
von: Caraffa, Laurent
Veröffentlicht: (2026)