Buchumschlag

Communication-Efficient and Personalized Federated Foundation Model Fine-Tuning via Tri-Matrix Adaptation

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Li, Yongle, Liu, Bo, Huang, Sheng, ZHang, ZHeng, Yuan, Xiaotong, Hong, Richang
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Communication-Efficient Personalized Adaptation via Federated-Local Model Merging
von: Zou, Yinan, et al.
Veröffentlicht: (2026)

Flexible Personalized Split Federated Learning for On-Device Fine-Tuning of Foundation Models
von: Yuan, Tianjun, et al.
Veröffentlicht: (2025)

A Survey on Parameter-Efficient Fine-Tuning for Foundation Models in Federated Learning
von: Bian, Jieming, et al.
Veröffentlicht: (2025)

Communication-Efficient Federated Fine-Tuning
von: Theologitis, Michael, et al.
Veröffentlicht: (2025)

Revisiting Federated Fine-Tuning: A Single Communication Round is Enough for Foundation Models
von: Wang, Ziyao, et al.
Veröffentlicht: (2024)

Task-Adaptive Parameter-Efficient Fine-Tuning for Weather Foundation Models
von: Cao, Shilei, et al.
Veröffentlicht: (2025)

Communication-Efficient and Tensorized Federated Fine-Tuning of Large Language Models
von: Ghiasvand, Sajjad, et al.
Veröffentlicht: (2024)

Personalized Federated Fine-Tuning for LLMs via Data-Driven Heterogeneous Model Architectures
von: Zhang, Yicheng, et al.
Veröffentlicht: (2024)

Exploring Parameter-Efficient Fine-Tuning to Enable Foundation Models in Federated Learning
von: Sun, Guangyu, et al.
Veröffentlicht: (2022)

Task-agnostic Low-rank Residual Adaptation for Efficient Federated Continual Fine-Tuning
von: Yu, Feng, et al.
Veröffentlicht: (2025)

Personalized Federated Learning with Mixture of Models for Adaptive Prediction and Model Fine-Tuning
von: Ghari, Pouya M., et al.
Veröffentlicht: (2024)

H2Tune: Federated Foundation Model Fine-Tuning with Hybrid Heterogeneity
von: Guo, Wei, et al.
Veröffentlicht: (2025)

FedPFT: Federated Proxy Fine-Tuning of Foundation Models
von: Peng, Zhaopeng, et al.
Veröffentlicht: (2024)

Task-Centric Personalized Federated Fine-Tuning of Language Models
von: Talasso, Gabriel U., et al.
Veröffentlicht: (2026)

Parameter-Efficient Fine-Tuning for Foundation Models
von: Zhang, Dan, et al.
Veröffentlicht: (2025)

Fed-HeLLo: Efficient Federated Foundation Model Fine-Tuning with Heterogeneous LoRA Allocation
von: Zhang, Zikai, et al.
Veröffentlicht: (2025)

FedKRSO: Communication and Memory Efficient Federated Fine-Tuning of Large Language Models
von: Yang, Guohao, et al.
Veröffentlicht: (2026)

Resource-Efficient Federated Fine-Tuning Large Language Models for Heterogeneous Data
von: Liu, Jun, et al.
Veröffentlicht: (2025)

Efficient Orthogonal Fine-Tuning with Principal Subspace Adaptation
von: Wu, Fei, et al.
Veröffentlicht: (2025)

RoRA: Efficient Fine-Tuning of LLM with Reliability Optimization for Rank Adaptation
von: Liu, Jun, et al.
Veröffentlicht: (2025)

Fine-Tuned In-Context Learners for Efficient Adaptation
von: Bornschein, Jorg, et al.
Veröffentlicht: (2025)

Trustworthy Personalized Bayesian Federated Learning via Posterior Fine-Tune
von: Luo, Mengen, et al.
Veröffentlicht: (2024)

ARD-LoRA: Dynamic Rank Allocation for Parameter-Efficient Fine-Tuning of Foundation Models with Heterogeneous Adaptation Needs
von: Shinwari, Haseeb Ullah Khan, et al.
Veröffentlicht: (2025)

Exploring Fine-Tuning for Tabular Foundation Models
von: Tanna, Aditya, et al.
Veröffentlicht: (2026)

TLoRA: Tri-Matrix Low-Rank Adaptation of Large Language Models
von: Islam, Tanvir
Veröffentlicht: (2025)

Fine-Tuning Personalization in Federated Learning to Mitigate Adversarial Clients
von: Allouah, Youssef, et al.
Veröffentlicht: (2024)

Enhancing Data Quality in Federated Fine-Tuning of Foundation Models
von: Zhao, Wanru, et al.
Veröffentlicht: (2024)

FedAPM: Federated Learning via ADMM with Partial Model Personalization
von: Zhu, Shengkun, et al.
Veröffentlicht: (2025)

NoRA: Nested Low-Rank Adaptation for Efficient Fine-Tuning Large Models
von: Lin, Cheng, et al.
Veröffentlicht: (2024)

Pre-Training and Personalized Fine-Tuning via Over-the-Air Federated Meta-Learning: Convergence-Generalization Trade-Offs
von: Wen, Haifeng, et al.
Veröffentlicht: (2024)

Communication-Efficient Personalized Federal Graph Learning via Low-Rank Decomposition
von: Liu, Ruyue, et al.
Veröffentlicht: (2024)

Enhancing Federated Domain Adaptation with Multi-Domain Prototype-Based Federated Fine-Tuning
von: Zhang, Jingyuan, et al.
Veröffentlicht: (2024)

FFT-MoE: Efficient Federated Fine-Tuning for Foundation Models via Large-scale Sparse MoE under Heterogeneous Edge
von: Hu, Gang, et al.
Veröffentlicht: (2025)

Budgeted Online Model Selection and Fine-Tuning via Federated Learning
von: Ghari, Pouya M., et al.
Veröffentlicht: (2024)

ABBA-Adapters: Efficient and Expressive Fine-Tuning of Foundation Models
von: Singhal, Raghav, et al.
Veröffentlicht: (2025)

Ravan: Multi-Head Low-Rank Adaptation for Federated Fine-Tuning
von: Raje, Arian, et al.
Veröffentlicht: (2025)

Iterative Foundation Model Fine-Tuning on Multiple Rewards
von: Ghari, Pouya M., et al.
Veröffentlicht: (2025)

Real-Time Personalized Content Adaptation through Matrix Factorization and Context-Aware Federated Learning
von: Puppala, Sai, et al.
Veröffentlicht: (2025)

VeFA: Vector-Based Feature Space Adaptation for Robust Model Fine-Tuning
von: Wang, Peng, et al.
Veröffentlicht: (2025)

Personalized Federated Learning by Energy-Efficient UAV Communications
von: Guo, Shiqian, et al.
Veröffentlicht: (2026)