Buchumschlag

Robust Asymmetric Heterogeneous Federated Learning with Corrupted Clients

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Fang, Xiuwen, Ye, Mang, Du, Bo
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Machine Learning Artificial Intelligence Computer Vision and Pattern Recognition
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Robust Federated Learning against Noisy Clients via Masked Optimization
von: Jiang, Xuefeng, et al.
Veröffentlicht: (2025)

FedDiff: Diffusion Model Driven Federated Learning for Multi-Modal and Multi-Clients
von: Li, DaiXun, et al.
Veröffentlicht: (2023)

Investigating the Corruption Robustness of Image Classifiers with Random Lp-norm Corruptions
von: Siedel, Georg, et al.
Veröffentlicht: (2023)

Federated Learning with Heterogeneous Data Handling for Robust Vehicular Object Detection
von: Khalil, Ahmad, et al.
Veröffentlicht: (2024)

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

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

Towards Unified Modeling in Federated Multi-Task Learning via Subspace Decoupling
von: Wei, Yipan, et al.
Veröffentlicht: (2025)

Accelerating Heterogeneous Federated Learning with Closed-form Classifiers
von: Fanì, Eros, et al.
Veröffentlicht: (2024)

Mitigating Group Bias in Federated Learning for Heterogeneous Devices
von: Selialia, Khotso, et al.
Veröffentlicht: (2023)

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

Communication-Efficient Heterogeneous Federated Learning with Generalized Heavy-Ball Momentum
von: Zaccone, Riccardo, et al.
Veröffentlicht: (2023)

Federated Learning Client Pruning for Noisy Labels
von: Morafah, Mahdi, et al.
Veröffentlicht: (2024)

Federated Knowledge Transfer Fine-tuning Large Server Model with Resource-Constrained IoT Clients
von: Chen, Shaoyuan, et al.
Veröffentlicht: (2024)

Handling Spatial-Temporal Data Heterogeneity for Federated Continual Learning via Tail Anchor
von: Yu, Hao, et al.
Veröffentlicht: (2024)

Intriguing Equivalence Structures of the Embedding Space of Vision Transformers
von: Salman, Shaeke, et al.
Veröffentlicht: (2024)

DiffEM: Learning from Corrupted Data with Diffusion Models via Expectation Maximization
von: Hosseintabar, Danial, et al.
Veröffentlicht: (2025)

An Architecture Built for Federated Learning: Addressing Data Heterogeneity through Adaptive Normalization-Free Feature Recalibration
von: Siomos, Vasilis, et al.
Veröffentlicht: (2024)

Data-Driven Fairness Generalization for Deepfake Detection
von: Ezeakunne, Uzoamaka, et al.
Veröffentlicht: (2024)

Logit Calibration and Feature Contrast for Robust Federated Learning on Non-IID Data
von: Qiao, Yu, et al.
Veröffentlicht: (2024)

Intriguing Differences Between Zero-Shot and Systematic Evaluations of Vision-Language Transformer Models
von: Salman, Shaeke, et al.
Veröffentlicht: (2024)

On the Effectiveness of Supervision in Asymmetric Non-Contrastive Learning
von: Oh, Jeongheon, et al.
Veröffentlicht: (2024)

Slight Corruption in Pre-training Data Makes Better Diffusion Models
von: Chen, Hao, et al.
Veröffentlicht: (2024)

F$^3$OCUS -- Federated Finetuning of Vision-Language Foundation Models with Optimal Client Layer Updating Strategy via Multi-objective Meta-Heuristics
von: Saha, Pramit, et al.
Veröffentlicht: (2024)

OODFace: Benchmarking Robustness of Face Recognition under Common Corruptions and Appearance Variations
von: Kang, Caixin, et al.
Veröffentlicht: (2024)

Connect, Collapse, Corrupt: Learning Cross-Modal Tasks with Uni-Modal Data
von: Zhang, Yuhui, et al.
Veröffentlicht: (2024)

Unaligning Everything: Or Aligning Any Text to Any Image in Multimodal Models
von: Salman, Shaeke, et al.
Veröffentlicht: (2024)

Federated Impression for Learning with Distributed Heterogeneous Data
von: Arya, Atrin, et al.
Veröffentlicht: (2024)

Ambient Diffusion Posterior Sampling: Solving Inverse Problems with Diffusion Models Trained on Corrupted Data
von: Aali, Asad, et al.
Veröffentlicht: (2024)

Federated Learning with Feedback Alignment
von: Baek, Incheol, et al.
Veröffentlicht: (2025)

AsyCo: An Asymmetric Dual-task Co-training Model for Partial-label Learning
von: Li, Beibei, et al.
Veröffentlicht: (2024)

Exploring Diffusion Models' Corruption Stage in Few-Shot Fine-tuning and Mitigating with Bayesian Neural Networks
von: Wu, Xiaoyu, et al.
Veröffentlicht: (2024)

FusionSF: Fuse Heterogeneous Modalities in a Vector Quantized Framework for Robust Solar Power Forecasting
von: Ma, Ziqing, et al.
Veröffentlicht: (2024)

Zero-Shot Decentralized Federated Learning
von: Masano, Alessio, et al.
Veröffentlicht: (2025)

Elucidating the Exposure Bias in Diffusion Models
von: Ning, Mang, et al.
Veröffentlicht: (2023)

From Selection to Scheduling: Federated Geometry-Aware Correction Makes Exemplar Replay Work Better under Continual Dynamic Heterogeneity
von: Qi, Zhuang, et al.
Veröffentlicht: (2026)

Malicious Path Manipulations via Exploitation of Representation Vulnerabilities of Vision-Language Navigation Systems
von: Islam, Chashi Mahiul, et al.
Veröffentlicht: (2024)

Federated Learning for Privacy-Preserving Medical AI
von: Hoang, Tin
Veröffentlicht: (2026)

Continual Adaptation of Vision Transformers for Federated Learning
von: Halbe, Shaunak, et al.
Veröffentlicht: (2023)

FedSOL: Stabilized Orthogonal Learning with Proximal Restrictions in Federated Learning
von: Lee, Gihun, et al.
Veröffentlicht: (2023)

Reimplementation of Learning to Reweight Examples for Robust Deep Learning
von: Patil, Parth, et al.
Veröffentlicht: (2024)