Buchumschlag

Federated Learning with Sample-level Client Drift Mitigation

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Xu, Haoran, Li, Jiaze, Wu, Wanyi, Ren, Hao
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Machine Learning Artificial Intelligence
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Heterogeneity-Aware Client Sampling for Optimal and Efficient Federated Learning
von: Weng, Shudi, et al.
Veröffentlicht: (2025)

Unlearning Clients, Features and Samples in Vertical Federated Learning
von: Varshney, Ayush K., et al.
Veröffentlicht: (2025)

FLAME: Adaptive and Reactive Concept Drift Mitigation for Federated Learning Deployments
von: Mavromatis, Ioannis, et al.
Veröffentlicht: (2024)

Tackling Noisy Clients in Federated Learning with End-to-end Label Correction
von: Jiang, Xuefeng, 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)

FedRG: Unleashing the Representation Geometry for Federated Learning with Noisy Clients
von: Wen, Tian, et al.
Veröffentlicht: (2026)

Remote Rowhammer Attack using Adversarial Observations on Federated Learning Clients
von: Yuan, Jinsheng, et al.
Veröffentlicht: (2025)

Mitigating Persistent Client Dropout in Asynchronous Decentralized Federated Learning
von: Stępka, Ignacy, et al.
Veröffentlicht: (2025)

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

Communication-Efficient Federated Learning with Accelerated Client Gradient
von: Kim, Geeho, et al.
Veröffentlicht: (2022)

Federated Linear Contextual Bandits with Heterogeneous Clients
von: Blaser, Ethan, et al.
Veröffentlicht: (2024)

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

FedZMG: Efficient Client-Side Optimization in Federated Learning
von: Zantalis, Fotios, et al.
Veröffentlicht: (2026)

An Interpretable Client Decision Tree Aggregation process for Federated Learning
von: Argente-Garrido, Alberto, et al.
Veröffentlicht: (2024)

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

Federated Learning With Individualized Privacy Through Client Sampling
von: Lange, Lucas, et al.
Veröffentlicht: (2025)

Client-Centric Federated Adaptive Optimization
von: Sun, Jianhui, et al.
Veröffentlicht: (2025)

Enhancing Federated Learning Through Secure Cluster-Weighted Client Aggregation
von: Ranaweera, Kanishka, et al.
Veröffentlicht: (2025)

FedConv: A Learning-on-Model Paradigm for Heterogeneous Federated Clients
von: Shen, Leming, et al.
Veröffentlicht: (2025)

Detecting Atypical Clients in Federated Learning via Representation-Level Divergence
von: Pérez-Corral, Cristian, et al.
Veröffentlicht: (2026)

FedCCRL: Federated Domain Generalization with Cross-Client Representation Learning
von: Wang, Xinpeng, et al.
Veröffentlicht: (2024)

HO-SFL: Hybrid-Order Split Federated Learning with Backprop-Free Clients and Dimension-Free Aggregation
von: Chen, Qiyuan, et al.
Veröffentlicht: (2026)

FedGSCA: Medical Federated Learning with Global Sample Selector and Client Adaptive Adjuster under Label Noise
von: Ye, Mengwen, et al.
Veröffentlicht: (2025)

Subjectivity in Unsupervised Machine Learning Model Selection
von: Chen, Wanyi, et al.
Veröffentlicht: (2023)

FedCCA: Client-Centric Adaptation against Data Heterogeneity in Federated Learning on IoT Devices
von: Wang, Kaile, et al.
Veröffentlicht: (2026)

Addressing Data Quality Decompensation in Federated Learning via Dynamic Client Selection
von: Fei, Qinjun, et al.
Veröffentlicht: (2025)

Cumulative Utility Parity for Fair Federated Learning under Intermittent Client Participation
von: Behfar, Stefan, et al.
Veröffentlicht: (2026)

NeFL: Nested Model Scaling for Federated Learning with System Heterogeneous Clients
von: Kang, Honggu, et al.
Veröffentlicht: (2023)

FedConPE: Efficient Federated Conversational Bandits with Heterogeneous Clients
von: Li, Zhuohua, et al.
Veröffentlicht: (2024)

History-Aware and Dynamic Client Contribution in Federated Learning
von: Ghosh, Bishwamittra, et al.
Veröffentlicht: (2024)

FedDiverse: Tackling Data Heterogeneity in Federated Learning with Diversity-Driven Client Selection
von: Németh, Gergely D., et al.
Veröffentlicht: (2025)

Adaptive Client Selection in Federated Learning: A Network Anomaly Detection Use Case
von: Marfo, William, et al.
Veröffentlicht: (2025)

Robust Federated Learning under Adversarial Attacks via Loss-Based Client Clustering
von: Kritharakis, Emmanouil, et al.
Veröffentlicht: (2025)

SpreadFGL: Edge-Client Collaborative Federated Graph Learning with Adaptive Neighbor Generation
von: Zhong, Luying, et al.
Veröffentlicht: (2024)

Latent Mixture of Symmetries for Sample-Efficient Dynamic Learning
von: Li, Haoran, et al.
Veröffentlicht: (2025)

SUDS: A Strategy for Unsupervised Drift Sampling
von: Fellicious, Christofer, et al.
Veröffentlicht: (2024)

FilFL: Client Filtering for Optimized Client Participation in Federated Learning
von: Fourati, Fares, et al.
Veröffentlicht: (2023)

Learning Unlabeled Clients Divergence for Federated Semi-Supervised Learning via Anchor Model Aggregation
von: Elbatel, Marawan, et al.
Veröffentlicht: (2024)

Efficient Client Selection in Federated Learning
von: Marfo, William, et al.
Veröffentlicht: (2025)

Tackling Selfish Clients in Federated Learning
von: Augello, Andrea, et al.
Veröffentlicht: (2024)