Buchumschlag

Traversal Learning: A Lossless And Efficient Distributed Learning Framework

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Batbaatar, Erdenebileg, Kim, Jeonggeol, Kim, Yongcheol, Yoon, Young
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

Traversal Learning Coordination for Lossless and Efficient Distributed Learning
von: Erdenebileg Batbaatar, et al.
Veröffentlicht: (2025)

Revisiting Early-Learning Regularization When Federated Learning Meets Noisy Labels
von: Kim, Taehyeon, et al.
Veröffentlicht: (2024)

Preserving Near-Optimal Gradient Sparsification Cost for Scalable Distributed Deep Learning
von: Yoon, Daegun, et al.
Veröffentlicht: (2024)

GraNNDis: Efficient Unified Distributed Training Framework for Deep GNNs on Large Clusters
von: Song, Jaeyong, et al.
Veröffentlicht: (2023)

HeteroSwitch: Characterizing and Taming System-Induced Data Heterogeneity in Federated Learning
von: Kim, Gyudong, et al.
Veröffentlicht: (2024)

ECHO-2: A Large-Scale Distributed Rollout Framework for Cost-Efficient Reinforcement Learning
von: Song, Jingwei, et al.
Veröffentlicht: (2026)

Efficient Data Distribution Estimation for Accelerated Federated Learning
von: Wang, Yuanli, et al.
Veröffentlicht: (2024)

DG-CoLearn: An Efficient Collaborative Learning Framework for Dynamic Graphs
von: Au, Ashley Hoi-Ting, et al.
Veröffentlicht: (2026)

Communication-Efficient Distributed Learning with Local Immediate Error Compensation
von: Cheng, Yifei, et al.
Veröffentlicht: (2024)

FedHB: Hierarchical Bayesian Federated Learning
von: Kim, Minyoung, et al.
Veröffentlicht: (2023)

Hybrid Dual-Batch and Cyclic Progressive Learning for Efficient Distributed Training
von: Lu, Kuan-Wei, et al.
Veröffentlicht: (2025)

Communication-Efficient Distributed Deep Learning via Federated Dynamic Averaging
von: Theologitis, Michail, et al.
Veröffentlicht: (2024)

SparDL: Distributed Deep Learning Training with Efficient Sparse Communication
von: Zhao, Minjun, et al.
Veröffentlicht: (2023)

Efficient Parallel Reinforcement Learning Framework using the Reactor Model
von: Kwok, Jacky, et al.
Veröffentlicht: (2023)

Cost-Efficient LLM Serving in the Cloud: VM Selection with KV Cache Offloading
von: Kim, Kihyun, et al.
Veröffentlicht: (2025)

70% Size, 100% Accuracy: Lossless LLM Compression for Efficient GPU Inference via Dynamic-Length Float (DFloat11)
von: Zhang, Tianyi, et al.
Veröffentlicht: (2025)

An All-Reduce Compatible Top-K Compressor for Communication-Efficient Distributed Learning
von: Chen, Chuyan, et al.
Veröffentlicht: (2025)

Communication-Efficient Distributed Training for Collaborative Flat Optima Recovery in Deep Learning
von: Dimlioglu, Tolga, et al.
Veröffentlicht: (2025)

Efficient Distributed Learning over Decentralized Networks with Convoluted Support Vector Machine
von: Chen, Canyi, et al.
Veröffentlicht: (2025)

Byzantine-Robust and Communication-Efficient Distributed Learning via Compressed Momentum Filtering
von: Liu, Changxin, et al.
Veröffentlicht: (2024)

GPFL: A Gradient Projection-Based Client Selection Framework for Efficient Federated Learning
von: Na, Shijie, et al.
Veröffentlicht: (2024)

SDT-GNN: Streaming-based Distributed Training Framework for Graph Neural Networks
von: Huang, Xin, et al.
Veröffentlicht: (2024)

BurstAttention: An Efficient Distributed Attention Framework for Extremely Long Sequences
von: Sun, Ao, et al.
Veröffentlicht: (2024)

TensorSocket: Shared Data Loading for Deep Learning Training
von: Robroek, Ties, et al.
Veröffentlicht: (2024)

MiCRO: Near-Zero Cost Gradient Sparsification for Scaling and Accelerating Distributed DNN Training
von: Yoon, Daegun, et al.
Veröffentlicht: (2023)

FedGCS: A Generative Framework for Efficient Client Selection in Federated Learning via Gradient-based Optimization
von: Ning, Zhiyuan, et al.
Veröffentlicht: (2024)

Incentivizing Permissionless Distributed Learning of LLMs
von: Lidin, Joel, et al.
Veröffentlicht: (2025)

Pursuing Overall Welfare in Federated Learning through Sequential Decision Making
von: Hahn, Seok-Ju, et al.
Veröffentlicht: (2024)

A Bayesian Framework for Clustered Federated Learning
von: Wu, Peng, et al.
Veröffentlicht: (2024)

Accelerating Distributed Deep Learning using Lossless Homomorphic Compression
von: Li, Haoyu, et al.
Veröffentlicht: (2024)

FedCompass: Efficient Cross-Silo Federated Learning on Heterogeneous Client Devices using a Computing Power Aware Scheduler
von: Li, Zilinghan, et al.
Veröffentlicht: (2023)

Accelerating Wireless Distributed Learning via Hybrid Split and Federated Learning Optimization
von: Guo, Kun, et al.
Veröffentlicht: (2025)

The Diversity Bonus: Learning from Dissimilar Distributed Clients in Personalized Federated Learning
von: Wu, Xinghao, et al.
Veröffentlicht: (2024)

Going Forward-Forward in Distributed Deep Learning
von: Aktemur, Ege, et al.
Veröffentlicht: (2024)

Ranking-based Client Selection with Imitation Learning for Efficient Federated Learning
von: Tian, Chunlin, et al.
Veröffentlicht: (2024)

Distributed Deep Learning using Stochastic Gradient Staleness
von: Pham, Viet Hoang, et al.
Veröffentlicht: (2025)

A Robust Federated Learning Framework for Undependable Devices at Scale
von: Wang, Shilong, et al.
Veröffentlicht: (2024)

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

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

Efficient Model Compression for Hierarchical Federated Learning
von: Zhu, Xi, et al.
Veröffentlicht: (2024)