Buchumschlag

An Adaptive Clustering Scheme for Client Selections in Communication-Efficient Federated Learning

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Chen, Yan-Ann, Chen, Guan-Lin
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

Adaptive Client Selection with Personalization for Communication Efficient Federated Learning
von: de Souza, Allan M., et al.
Veröffentlicht: (2024)

Greedy Shapley Client Selection for Communication-Efficient Federated Learning
von: Singhal, Pranava, et al.
Veröffentlicht: (2023)

Socially inspired Adaptive Coalition and Client Selection in Federated Learning
von: Licciardi, Alessandro, et al.
Veröffentlicht: (2025)

Communication-Efficient Federated Learning With Data and Client Heterogeneity
von: Zakerinia, Hossein, et al.
Veröffentlicht: (2022)

Communication-Efficient Multimodal Federated Learning: Joint Modality and Client Selection
von: Yuan, Liangqi, et al.
Veröffentlicht: (2024)

Efficient Client Selection in Federated Learning
von: Marfo, William, et al.
Veröffentlicht: (2025)

Communication-Efficient Federated Learning with Accelerated Client Gradient
von: Kim, Geeho, et al.
Veröffentlicht: (2022)

Reducing Communication Overhead in Federated Learning for Network Anomaly Detection with Adaptive Client Selection
von: Marfo, William, et al.
Veröffentlicht: (2025)

Communication-Efficient Federated AUC Maximization with Cyclic Client Participation
von: Vangapally, Umesh, et al.
Veröffentlicht: (2026)

Cluster-Based Client Selection for Dependent Multi-Task Federated Learning in Edge Computing
von: Luo, Jieping, et al.
Veröffentlicht: (2025)

Personalized Federated Learning with Attention-based Client Selection
von: Chen, Zihan, et al.
Veröffentlicht: (2023)

Adaptive Client Sampling in Federated Learning via Online Learning with Bandit Feedback
von: Zhao, Boxin, et al.
Veröffentlicht: (2021)

Heterogeneity-Aware Client Selection Methodology For Efficient Federated Learning
von: Balivada, Nihal, et al.
Veröffentlicht: (2026)

Conflict-Aware Client Selection for Multi-Server Federated Learning
von: Hong, Mingwei, et al.
Veröffentlicht: (2026)

Heterogeneity-Guided Client Sampling: Towards Fast and Efficient Non-IID Federated Learning
von: Chen, Huancheng, et al.
Veröffentlicht: (2023)

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

Federated Learning Clients Clustering with Adaptation to Data Drifts
von: Li, Minghao, et al.
Veröffentlicht: (2024)

Adaptive Client Selection in Federated Learning: A Network Anomaly Detection Use Case
von: Marfo, William, et al.
Veröffentlicht: (2025)

FedSAUC: A Similarity-Aware Update Control for Communication-Efficient Federated Learning in Edge Computing
von: Lee, Ming-Lun, et al.
Veröffentlicht: (2025)

Client2Vec: Improving Federated Learning by Distribution Shifts Aware Client Indexing
von: Guo, Yongxin, et al.
Veröffentlicht: (2024)

Q-LocalAdam: Memory-Efficient Client-Side Adaptive Optimization for Edge Federated Learning
von: Waykole, Vedant, et al.
Veröffentlicht: (2026)

SpreadFGL: Edge-Client Collaborative Federated Graph Learning with Adaptive Neighbor Generation
von: Zhong, Luying, et al.
Veröffentlicht: (2024)

Distribution-Controlled Client Selection to Improve Federated Learning Strategies
von: Düsing, Christoph, et al.
Veröffentlicht: (2025)

Client Selection in Federated Learning with Data Heterogeneity and Network Latencies
von: Vardhan, Harsh, et al.
Veröffentlicht: (2025)

Flexible Clustered Federated Learning for Client-Level Data Distribution Shift
von: Duan, Moming, et al.
Veröffentlicht: (2021)

Optimizing Communication and Device Clustering for Clustered Federated Learning with Differential Privacy
von: Wei, Dongyu, et al.
Veröffentlicht: (2025)

Rethinking Client-oriented Federated Graph Learning
von: Chen, Zekai, et al.
Veröffentlicht: (2025)

Federated Learning with Extremely Noisy Clients via Negative Distillation
von: Lu, Yang, et al.
Veröffentlicht: (2023)

Communication-Efficient Federated Learning with Adaptive Number of Participants
von: Skorik, Sergey, et al.
Veröffentlicht: (2025)

FedDAA: Dynamic Client Clustering for Concept Drift Adaptation in Federated Learning
von: Peng, Fu, et al.
Veröffentlicht: (2025)

Federated Graph Learning with Graphless Clients
von: Fu, Xingbo, et al.
Veröffentlicht: (2024)

Adaptive Self-Distillation for Minimizing Client Drift in Heterogeneous Federated Learning
von: Yashwanth, M, et al.
Veröffentlicht: (2023)

Adaptive Client Selection via Q-Learning-based Whittle Index in Wireless Federated Learning
von: Li, Qiyue, et al.
Veröffentlicht: (2025)

ICAFS: Inter-Client-Aware Feature Selection for Vertical Federated Learning
von: Jin, Ruochen, et al.
Veröffentlicht: (2025)

Client Selection Strategies for Federated Semantic Communications in Heterogeneous IoT Networks
von: Lahoud, Samer, et al.
Veröffentlicht: (2025)

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

Enhancing Federated Learning Through Secure Cluster-Weighted Client Aggregation
von: Ranaweera, Kanishka, et al.
Veröffentlicht: (2025)

Communication-Efficient and Privacy-Adaptable Mechanism -- a Federated Learning Scheme with Convergence Analysis
von: Shiu, Chun Hei Michael, et al.
Veröffentlicht: (2026)

Communication-Efficient Federated Learning through Adaptive Weight Clustering and Server-Side Distillation
von: Tsouvalas, Vasileios, et al.
Veröffentlicht: (2024)

Adaptive Federated Learning with Auto-Tuned Clients
von: Kim, Junhyung Lyle, et al.
Veröffentlicht: (2023)