Buchumschlag

Orthogonal Calibration for Asynchronous Federated Learning

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Zhang, Jiayun, Li, Shuheng, Huang, Haiyu, Yu, Xiaofan, Gupta, Rajesh K., Shang, Jingbo
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Machine Learning Distributed, Parallel, and Cluster Computing
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

CSAFL: A Clustered Semi-Asynchronous Federated Learning Framework
von: Zhang, Yu, et al.
Veröffentlicht: (2021)

Asynchronous Personalized Federated Learning through Global Memorization
von: Wan, Fan, et al.
Veröffentlicht: (2025)

Achieving Linear Speedup in Asynchronous Federated Learning with Heterogeneous Clients
von: Wang, Xiaolu, et al.
Veröffentlicht: (2024)

Asynchronous Federated Clustering with Unknown Number of Clusters
von: Zhang, Yunfan, et al.
Veröffentlicht: (2024)

Corrected with the Latest Version: Make Robust Asynchronous Federated Learning Possible
von: Lu, Chaoyi, et al.
Veröffentlicht: (2025)

GAS: Generative Activation-Aided Asynchronous Split Federated Learning
von: Yang, Jiarong, et al.
Veröffentlicht: (2024)

FedQS: Optimizing Gradient and Model Aggregation for Semi-Asynchronous Federated Learning
von: Li, Yunbo, et al.
Veröffentlicht: (2025)

Resource Efficient Asynchronous Federated Learning for Digital Twin Empowered IoT Network
von: Chu, Shunfeng, et al.
Veröffentlicht: (2024)

CaBaFL: Asynchronous Federated Learning via Hierarchical Cache and Feature Balance
von: Xia, Zeke, et al.
Veröffentlicht: (2024)

FedORGP: Guiding Heterogeneous Federated Learning with Orthogonality Regularization on Global Prototypes
von: Guo, Fucheng, et al.
Veröffentlicht: (2025)

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

FedCal: Achieving Local and Global Calibration in Federated Learning via Aggregated Parameterized Scaler
von: Peng, Hongyi, et al.
Veröffentlicht: (2024)

Asynchronous Federated Learning with non-convex client objective functions and heterogeneous dataset
von: Forootani, Ali, et al.
Veröffentlicht: (2025)

Stragglers Can Contribute More: Uncertainty-Aware Distillation for Asynchronous Federated Learning
von: Wang, Yujia, et al.
Veröffentlicht: (2025)

Asyn2F: An Asynchronous Federated Learning Framework with Bidirectional Model Aggregation
von: Cao, Tien-Dung, et al.
Veröffentlicht: (2024)

A Joint Approach to Local Updating and Gradient Compression for Efficient Asynchronous Federated Learning
von: Song, Jiajun, et al.
Veröffentlicht: (2024)

Asynchronous Multi-Model Dynamic Federated Learning over Wireless Networks: Theory, Modeling, and Optimization
von: Chang, Zhan-Lun, et al.
Veröffentlicht: (2023)

FedStaleWeight: Buffered Asynchronous Federated Learning with Fair Aggregation via Staleness Reweighting
von: Ma, Jeffrey, et al.
Veröffentlicht: (2024)

Asynchronous Federated Stochastic Optimization for Heterogeneous Objectives Under Arbitrary Delays
von: Iakovidou, Charikleia, et al.
Veröffentlicht: (2024)

Heterogeneity-Aware Client Selection Methodology For Efficient Federated Learning
von: Balivada, Nihal, et al.
Veröffentlicht: (2026)

Straggler-Resilient Decentralized Learning via Adaptive Asynchronous Updates
von: Xiong, Guojun, et al.
Veröffentlicht: (2023)

Federated LoRA with Sparse Communication
von: Kuo, Kevin, et al.
Veröffentlicht: (2024)

DORA: A Scalable Asynchronous Reinforcement Learning System for Language Model Training
von: Hu, Tianhao, et al.
Veröffentlicht: (2026)

Efficient Asynchronous Federated Learning with Sparsification and Quantization
von: Jia, Juncheng, et al.
Veröffentlicht: (2023)

SecureAFL: Secure Asynchronous Federated Learning
von: Gao, Anjun, et al.
Veröffentlicht: (2026)

Ordered Momentum for Asynchronous SGD
von: Shi, Chang-Wei, et al.
Veröffentlicht: (2024)

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

Asynchronous Byzantine Federated Learning
von: Cox, Bart, et al.
Veröffentlicht: (2024)

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

AsyncHZP: Hierarchical ZeRO Parallelism with Asynchronous Scheduling for Scalable LLM Training
von: Bai, Huawei, et al.
Veröffentlicht: (2025)

Tackling Privacy Heterogeneity in Differentially Private Federated Learning
von: Xu, Ruichen, et al.
Veröffentlicht: (2026)

DOPPLER: Dual-Policy Learning for Device Assignment in Asynchronous Dataflow Graphs
von: Yao, Xinyu, et al.
Veröffentlicht: (2025)

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

Towards Efficient Replay in Federated Incremental Learning
von: Li, Yichen, et al.
Veröffentlicht: (2024)

Revisiting Ensembling in One-Shot Federated Learning
von: Allouah, Youssef, et al.
Veröffentlicht: (2024)

FedUHD: Unsupervised Federated Learning using Hyperdimensional Computing
von: Lee, You Hak, et al.
Veröffentlicht: (2025)

FedRIR: Rethinking Information Representation in Federated Learning
von: Huang, Yongqiang, et al.
Veröffentlicht: (2025)

Robust Fully-Asynchronous Methods for Distributed Training over General Architecture
von: Zhu, Zehan, et al.
Veröffentlicht: (2023)

FlashEvolve: Accelerating Agent Self-Evolution with Asynchronous Stage Orchestration
von: Hu, Zhengding, et al.
Veröffentlicht: (2026)

AMDP: Asynchronous Multi-Directional Pipeline Parallelism for Large-Scale Models Training
von: Chen, Ling, et al.
Veröffentlicht: (2026)