:: Library Catalog

Buchumschlag

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Tam, Wai Fong, Li, Qilei, Abdelmonie, Ahmed M.
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Machine Learning
Online-Zugang:	https://arxiv.org/abs/2504.03505
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Mitigating Malicious Attacks in Federated Learning via Confidence-aware Defense
von: Li, Qilei, et al.
Veröffentlicht: (2024)

Benchmarking Mutual Information-based Loss Functions in Federated Learning
von: S, Sarang, et al.
Veröffentlicht: (2025)

Query-based Knowledge Transfer for Heterogeneous Learning Environments
von: Alballa, Norah, et al.
Veröffentlicht: (2025)

Federated Reinforcement Learning in Heterogeneous Environments
von: Hwang, Ukjo, et al.
Veröffentlicht: (2025)

Addressing Heterogeneity in Federated Learning: Challenges and Solutions for a Shared Production Environment
von: Legler, Tatjana, et al.
Veröffentlicht: (2024)

Breaking the Memory Wall for Heterogeneous Federated Learning via Model Splitting
von: Tian, Chunlin, et al.
Veröffentlicht: (2024)

Dual-Segment Clustering Strategy for Hierarchical Federated Learning in Heterogeneous Wireless Environments
von: Sun, Pengcheng, et al.
Veröffentlicht: (2024)

Heterogeneity-Aware Knowledge Sharing for Graph Federated Learning
von: Yu, Wentao, et al.
Veröffentlicht: (2026)

NTK-DFL: Enhancing Decentralized Federated Learning in Heterogeneous Settings via Neural Tangent Kernel
von: Thompson, Gabriel, et al.
Veröffentlicht: (2024)

Knowledge-Driven Federated Graph Learning on Model Heterogeneity
von: Wu, Zhengyu, et al.
Veröffentlicht: (2025)

Knowledge Rumination for Client Utility Evaluation in Heterogeneous Federated Learning
von: Jiang, Xiaorui, et al.
Veröffentlicht: (2023)

Parameter-Free Federated TD Learning with Markov Noise in Heterogeneous Environments
von: Naskar, Ankur, et al.
Veröffentlicht: (2025)

FedMTFI: Feature Importance Based Optimized Multi Teacher Knowledge Distillation in Heterogeneous Federated Learning Environment
von: Shadin, Nazmus Shakib, et al.
Veröffentlicht: (2026)

REFT: Resource-Efficient Federated Training Framework for Heterogeneous and Resource-Constrained Environments
von: Desai, Humaid Ahmed, et al.
Veröffentlicht: (2023)

Lazy But Effective: Collaborative Personalized Federated Learning with Heterogeneous Data
von: Rokvic, Ljubomir, et al.
Veröffentlicht: (2025)

A Randomized Zeroth-Order Hierarchical Framework for Heterogeneous Federated Learning
von: Qiu, Yuyang, et al.
Veröffentlicht: (2025)

Towards Robust Knowledge Removal in Federated Learning with High Data Heterogeneity
von: Santi, Riccardo, et al.
Veröffentlicht: (2025)

Fast-Convergent and Communication-Alleviated Heterogeneous Hierarchical Federated Learning in Autonomous Driving
von: Kou, Wei-Bin, et al.
Veröffentlicht: (2024)

HEART-PFL: Stable Personalized Federated Learning under Heterogeneity with Hierarchical Directional Alignment and Adversarial Knowledge Transfer
von: Kim, Minjun, et al.
Veröffentlicht: (2026)

Client Selection for Federated Policy Optimization with Environment Heterogeneity
von: Xie, Zhijie, et al.
Veröffentlicht: (2023)

On the Impact of Data Heterogeneity in Federated Learning Environments with Application to Healthcare Networks
von: Milasheuski, Usevalad, et al.
Veröffentlicht: (2024)

Personalized Observation Normalization for Federated Reinforcement Learning in Simulation Environments with Heterogeneity
von: Pang, Yiran, et al.
Veröffentlicht: (2026)

Clustered Federated Learning with Hierarchical Knowledge Distillation
von: Ahmad, Sabtain, et al.
Veröffentlicht: (2025)

An Exploratory Assessment of LLM's Potential Toward Flight Trajectory Reconstruction Analysis
von: Zhang, Qilei, et al.
Veröffentlicht: (2024)

Apodotiko: Enabling Efficient Serverless Federated Learning in Heterogeneous Environments
von: Chadha, Mohak, et al.
Veröffentlicht: (2024)

On the Convergence Rates of Federated Q-Learning across Heterogeneous Environments
von: Wang, Leo Muxing, et al.
Veröffentlicht: (2024)

Tackling Data Heterogeneity in Federated Learning through Knowledge Distillation with Inequitable Aggregation
von: Ma, Xing
Veröffentlicht: (2025)

FlexFed: Mitigating Catastrophic Forgetting in Heterogeneous Federated Learning in Pervasive Computing Environments
von: Alosaime, Sara, et al.
Veröffentlicht: (2025)

subMFL: Compatiple subModel Generation for Federated Learning in Device Heterogenous Environment
von: Oz, Zeyneddin, et al.
Veröffentlicht: (2024)

Hierarchical Over-the-Air Federated Learning with Awareness of Interference and Data Heterogeneity
von: Azimi-Abarghouyi, Seyed Mohammad, et al.
Veröffentlicht: (2024)

Federated Learning for Heterogeneous Electronic Health Record Systems with Cost Effective Participant Selection
von: Kim, Jiyoun, et al.
Veröffentlicht: (2024)

FedBRB: An Effective Solution to the Small-to-Large Scenario in Device-Heterogeneity Federated Learning
von: Xu, Ziyue, et al.
Veröffentlicht: (2024)

LAPA-based Dynamic Privacy Optimization for Wireless Federated Learning in Heterogeneous Environments
von: Sun, Pengcheng, et al.
Veröffentlicht: (2025)

Cluster-Aware Multi-Round Update for Wireless Federated Learning in Heterogeneous Environments
von: Sun, Pengcheng, et al.
Veröffentlicht: (2025)

DeepFusion: Accelerating MoE Training via Federated Knowledge Distillation from Heterogeneous Edge Devices
von: Li, Songyuan, et al.
Veröffentlicht: (2026)

Enabling Weak Client Participation via On-device Knowledge Distillation in Heterogeneous Federated Learning
von: Lim, Jihyun, et al.
Veröffentlicht: (2025)

Federated Learning Framework for Scalable AI in Heterogeneous HPC and Cloud Environments
von: Ghimire, Sangam, et al.
Veröffentlicht: (2025)

Momentum for the Win: Collaborative Federated Reinforcement Learning across Heterogeneous Environments
von: Wang, Han, et al.
Veröffentlicht: (2024)

FedHENet: A Frugal Federated Learning Framework for Heterogeneous Environments
von: Dopico-Castro, Alejandro, et al.
Veröffentlicht: (2026)

CHASe: Client Heterogeneity-Aware Data Selection for Effective Federated Active Learning
von: Zhang, Jun, et al.
Veröffentlicht: (2025)