Buchumschlag

FedTLU: Federated Learning with Targeted Layer Updates

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Park, Jong-Ik, Joe-Wong, Carlee
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Machine Learning Artificial Intelligence Distributed, Parallel, and Cluster Computing
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Federated Learning with Flexible Architectures
von: Park, Jong-Ik, et al.
Veröffentlicht: (2024)

FedBaF: Federated Learning Aggregation Biased by a Foundation Model
von: Park, Jong-Ik, et al.
Veröffentlicht: (2024)

FedAST: Federated Asynchronous Simultaneous Training
von: Askin, Baris, et al.
Veröffentlicht: (2024)

FedGAT: A Privacy-Preserving Federated Approximation Algorithm for Graph Attention Networks
von: Ambekar, Siddharth, et al.
Veröffentlicht: (2024)

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

Federated Communication-Efficient Multi-Objective Optimization
von: Askin, Baris, et al.
Veröffentlicht: (2024)

FedAH: Aggregated Head for Personalized Federated Learning
von: Zhou, Pengzhan, et al.
Veröffentlicht: (2024)

FedUV: Uniformity and Variance for Heterogeneous Federated Learning
von: Son, Ha Min, et al.
Veröffentlicht: (2024)

FedMT: Federated Learning with Mixed-type Labels
von: Zhang, Qiong, et al.
Veröffentlicht: (2022)

Empowering Federated Learning with Implicit Gossiping: Mitigating Connection Unreliability Amidst Unknown and Arbitrary Dynamics
von: Xiang, Ming, et al.
Veröffentlicht: (2024)

FedCore: Straggler-Free Federated Learning with Distributed Coresets
von: Guo, Hongpeng, et al.
Veröffentlicht: (2024)

Efficient Federated Learning with Timely Update Dissemination
von: Jia, Juncheng, et al.
Veröffentlicht: (2025)

FedGreen: Carbon-aware Federated Learning with Model Size Adaptation
von: Abbasi, Ali, et al.
Veröffentlicht: (2024)

FedTrans: Efficient Federated Learning via Multi-Model Transformation
von: Zhu, Yuxuan, et al.
Veröffentlicht: (2024)

FedSAC: Dynamic Submodel Allocation for Collaborative Fairness in Federated Learning
von: Wang, Zihui, et al.
Veröffentlicht: (2024)

CurvFed: Curvature-Aligned Federated Learning for Fairness without Demographics
von: Sharma, Harshit, et al.
Veröffentlicht: (2024)

FedFa: A Fully Asynchronous Training Paradigm for Federated Learning
von: Xu, Haotian, et al.
Veröffentlicht: (2024)

FedAC: An Adaptive Clustered Federated Learning Framework for Heterogeneous Data
von: Zhang, Yuxin, et al.
Veröffentlicht: (2024)

GC-Fed: Gradient Centralized Federated Learning with Partial Client Participation
von: Seo, Jungwon, et al.
Veröffentlicht: (2025)

FedLPS: Heterogeneous Federated Learning for Multiple Tasks with Local Parameter Sharing
von: Jia, Yongzhe, et al.
Veröffentlicht: (2024)

Fed-Sophia: A Communication-Efficient Second-Order Federated Learning Algorithm
von: Elbakary, Ahmed, et al.
Veröffentlicht: (2024)

FedCGD: Collective Gradient Divergence Optimized Scheduling for Wireless Federated Learning
von: Chen, Tan, et al.
Veröffentlicht: (2025)

FedAA: A Reinforcement Learning Perspective on Adaptive Aggregation for Fair and Robust Federated Learning
von: He, Jialuo, et al.
Veröffentlicht: (2024)

FLAMMABLE: A Multi-Model Federated Learning Framework with Multi-Model Engagement and Adaptive Batch Sizes
von: Lin, Shouxu, et al.
Veröffentlicht: (2025)

FedHERO: A Federated Learning Approach for Node Classification Task on Heterophilic Graphs
von: Chen, Zihan, et al.
Veröffentlicht: (2025)

FedSN: A Federated Learning Framework over Heterogeneous LEO Satellite Networks
von: Lin, Zheng, et al.
Veröffentlicht: (2023)

FedPop: Federated Population-based Hyperparameter Tuning
von: Chen, Haokun, et al.
Veröffentlicht: (2023)

Towards Straggler-Resilient Split Federated Learning: An Unbalanced Update Approach
von: Liang, Dandan, et al.
Veröffentlicht: (2025)

SatFed: A Resource-Efficient LEO Satellite-Assisted Heterogeneous Federated Learning Framework
von: Zhang, Yuxin, et al.
Veröffentlicht: (2024)

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

FedDAG: Clustered Federated Learning via Global Data and Gradient Integration for Heterogeneous Environments
von: Pramanik, Anik, et al.
Veröffentlicht: (2026)

FedMHO: Heterogeneous One-Shot Federated Learning Towards Resource-Constrained Edge Devices
von: Yao, Dezhong, et al.
Veröffentlicht: (2025)

FedFiTS: Fitness-Selected, Slotted Client Scheduling for Trustworthy Federated Learning in Healthcare AI
von: Kahenga, Ferdinand, et al.
Veröffentlicht: (2025)

FedFusion: Federated Learning with Diversity- and Cluster-Aware Encoders for Robust Adaptation under Label Scarcity
von: Kahenga, Ferdinand, et al.
Veröffentlicht: (2025)

FedLECC: Cluster- and Loss-Guided Client Selection for Federated Learning under Non-IID Data
von: Jimenez-Gutierrez, Daniel M., et al.
Veröffentlicht: (2026)

FedACT: Concurrent Federated Intelligence across Heterogeneous Data Sources
von: Islam, Md Sirajul, et al.
Veröffentlicht: (2026)

FedPBS: Proximal-Balanced Scaling Federated Learning Model for Robust Personalized Training for Non-IID Data
von: AbouNassar, Eman M., et al.
Veröffentlicht: (2026)

FedASTA: Federated adaptive spatial-temporal attention for traffic flow prediction
von: Li, Kaiyuan, et al.
Veröffentlicht: (2024)

Efficient Federated Learning Using Dynamic Update and Adaptive Pruning with Momentum on Shared Server Data
von: Liu, Ji, et al.
Veröffentlicht: (2024)

FedRef: Bayesian Fine-Tuning using a Reference Model to Mitigate Catastrophic Forgetting for Heterogeneous Federated Learning
von: Yoon, Taehwan, et al.
Veröffentlicht: (2025)