Buchumschlag

AIGC-assisted Federated Learning for Edge Intelligence: Architecture Design, Research Challenges and Future Directions

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Qiang, Xianke, Chang, Zheng, Liang, Ying-Chang
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

AIGC-assisted Federated Learning for Vehicular Edge Intelligence: Vehicle Selection, Resource Allocation and Model Augmentation
von: Qiang, Xianke, et al.
Veröffentlicht: (2025)

Split Federated Learning Empowered Vehicular Edge Intelligence: Concept, Adaptive Design and Future Directions
von: Qiang, Xianke, et al.
Veröffentlicht: (2024)

TSFLora: Token-Compressed Split Fine-Tuning for Wireless Edge Networks
von: Qiang, Xianke, et al.
Veröffentlicht: (2026)

Semantic-aware Token Selection and Resource Optimization for Communication-efficient Split Federated Fine-tuning in Edge Intelligence
von: Qiang, Xianke, et al.
Veröffentlicht: (2026)

Incentive-Based Federated Learning: Architectural Elements and Future Directions
von: Kaluannakkage, Chanuka A. S. Hewa, et al.
Veröffentlicht: (2025)

Accelerating AIGC Services with Latent Action Diffusion Scheduling in Edge Networks
von: Xu, Changfu, et al.
Veröffentlicht: (2024)

Model Partition and Resource Allocation for Split Learning in Vehicular Edge Networks
von: Yu, Lu, et al.
Veröffentlicht: (2024)

Towards One-shot Federated Learning: Advances, Challenges, and Future Directions
von: Amato, Flora, et al.
Veröffentlicht: (2025)

When Foundation Model Meets Federated Learning: Motivations, Challenges, and Future Directions
von: Zhuang, Weiming, et al.
Veröffentlicht: (2023)

Distributed client selection with multi-objective in federated learning assisted Internet of Vehicles
von: Cha, Narisu, et al.
Veröffentlicht: (2024)

AI-in-the-Loop Sensing and Communication Joint Design for Edge Intelligence
von: Cai, Zhijie, et al.
Veröffentlicht: (2025)

Lightweight Federated Learning over Wireless Edge Networks
von: Hou, Xiangwang, et al.
Veröffentlicht: (2025)

Energy-Efficient Federated Learning for Edge Real-Time Vision via Joint Data, Computation, and Communication Design
von: Hou, Xiangwang, et al.
Veröffentlicht: (2025)

Robust Federated Learning against Model Perturbation in Edge Networks
von: Jin, Dongzi, et al.
Veröffentlicht: (2025)

Vertical Federated Learning: Challenges, Methodologies and Experiments
von: Wei, Kang, et al.
Veröffentlicht: (2022)

IMFL-AIGC: Incentive Mechanism Design for Federated Learning Empowered by Artificial Intelligence Generated Content
von: Huang, Guangjing, et al.
Veröffentlicht: (2024)

EMO: Edge Model Overlays to Scale Model Size in Federated Learning
von: Wu, Di, et al.
Veröffentlicht: (2025)

Towards cost-effective and resource-aware aggregation at Edge for Federated Learning
von: Khan, Ahmad Faraz, et al.
Veröffentlicht: (2022)

Stitching Satellites to the Edge: Pervasive and Efficient Federated LEO Satellite Learning
von: Elmahallawy, Mohamed, et al.
Veröffentlicht: (2024)

Topology-aware Federated Learning in Edge Computing: A Comprehensive Survey
von: Wu, Jiajun, et al.
Veröffentlicht: (2023)

BEFL: Balancing Energy Consumption in Federated Learning for Mobile Edge IoT
von: Ju, Zehao, et al.
Veröffentlicht: (2024)

Sustainable Edge Computing: Challenges and Future Directions
von: Arroba, Patricia, et al.
Veröffentlicht: (2023)

Robust Federated Learning in Unreliable Wireless Networks: A Client Selection Approach
von: Wang, Yanmeng, et al.
Veröffentlicht: (2025)

Heterogeneity: An Open Challenge for Federated On-board Machine Learning
von: Hartmann, Maria, 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)

FLASH: Federated Learning Across Simultaneous Heterogeneities
von: Chang, Xiangyu, et al.
Veröffentlicht: (2024)

Demo: A Practical Testbed for Decentralized Federated Learning on Physical Edge Devices
von: Feng, Chao, et al.
Veröffentlicht: (2025)

Leveraging Foundation Models for Efficient Federated Learning in Resource-restricted Edge Networks
von: Atapour, S. Kawa, et al.
Veröffentlicht: (2024)

Heterogeneity-Aware Cooperative Federated Edge Learning with Adaptive Computation and Communication Compression
von: Zhang, Zhenxiao, et al.
Veröffentlicht: (2024)

Rehearsal-Free Continual Federated Learning with Synergistic Synaptic Intelligence
von: Li, Yichen, et al.
Veröffentlicht: (2024)

Disentangling data distribution for Federated Learning
von: Zhao, Xinyuan, et al.
Veröffentlicht: (2024)

Satellite Federated Edge Learning: Architecture Design and Convergence Analysis
von: Shi, Yuanming, et al.
Veröffentlicht: (2024)

Federated Unlearning in Edge Networks: A Survey of Fundamentals, Challenges, Practical Applications and Future Directions
von: Ng, Jer Shyuan, et al.
Veröffentlicht: (2026)

Communication-Efficient Federated Learning by Quantized Variance Reduction for Heterogeneous Wireless Edge Networks
von: Wang, Shuai, et al.
Veröffentlicht: (2025)

FedTeddi: Temporal Drift and Divergence Aware Scheduling for Timely Federated Edge Learning
von: Bai, Yuxuan, et al.
Veröffentlicht: (2025)

A Comprehensive Survey of Federated Transfer Learning: Challenges, Methods and Applications
von: Guo, Wei, et al.
Veröffentlicht: (2024)

Where is the Testbed for my Federated Learning Research?
von: Božič, Janez, et al.
Veröffentlicht: (2024)

Unleashing the Power of Tree-of-Thoughts for Edge-Enabled AIGC Service Provisioning
von: Liu, Zhang, et al.
Veröffentlicht: (2026)

A Survey on Collaborative DNN Inference for Edge Intelligence
von: Ren, Weiqing, et al.
Veröffentlicht: (2022)

Agglomerative Federated Learning: Empowering Larger Model Training via End-Edge-Cloud Collaboration
von: Wu, Zhiyuan, et al.
Veröffentlicht: (2023)