Buchumschlag

FedDiverse: Tackling Data Heterogeneity in Federated Learning with Diversity-Driven Client Selection

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Németh, Gergely D., Fanì, Eros, Ng, Yeat Jeng, Caputo, Barbara, Lozano, Miguel Ángel, Oliver, Nuria, Quadrianto, Novi
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Machine Learning Artificial Intelligence
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Privacy and Accuracy Implications of Model Complexity and Integration in Heterogeneous Federated Learning
von: Németh, Gergely Dániel, et al.
Veröffentlicht: (2023)

Accelerating Heterogeneous Federated Learning with Closed-form Classifiers
von: Fanì, Eros, et al.
Veröffentlicht: (2024)

Interaction-Aware Gaussian Weighting for Clustered Federated Learning
von: Licciardi, Alessandro, et al.
Veröffentlicht: (2025)

FedClust: Tackling Data Heterogeneity in Federated Learning through Weight-Driven Client Clustering
von: Islam, Md Sirajul, et al.
Veröffentlicht: (2024)

Dancing in the Shadows: Harnessing Ambiguity for Fairer Classifiers
von: Barrainkua, Ainhize, et al.
Veröffentlicht: (2024)

Dissecting Performative Prediction: A Comprehensive Survey
von: Kehrenberg, Thomas, et al.
Veröffentlicht: (2026)

Safe Fairness Guarantees Without Demographics in Classification: Spectral Uncertainty Set Perspective
von: Barrainkua, Ainhize, et al.
Veröffentlicht: (2026)

Are Compressed Language Models Less Subgroup Robust?
von: Gee, Leonidas, et al.
Veröffentlicht: (2024)

Strategically Deceptive Model Deployment in Performative Prediction
von: Bautiste, Javier Sanguino, et al.
Veröffentlicht: (2025)

Revisiting (Un)Fairness in Recourse by Minimizing Worst-Case Social Burden
von: Barrainkua, Ainhize, et al.
Veröffentlicht: (2025)

FedRC: Tackling Diverse Distribution Shifts Challenge in Federated Learning by Robust Clustering
von: Guo, Yongxin, et al.
Veröffentlicht: (2023)

Visual-Word Tokenizer: Beyond Fixed Sets of Tokens in Vision Transformers
von: Gee, Leonidas, et al.
Veröffentlicht: (2024)

FedGuard: A Diverse-Byzantine-Robust Mechanism for Federated Learning with Major Malicious Clients
von: Jiang, Haocheng, et al.
Veröffentlicht: (2025)

Training-Free Dynamic Upcycling of Expert Language Models
von: Fanì, Eros, et al.
Veröffentlicht: (2026)

FedHFT: Efficient Federated Finetuning with Heterogeneous Edge Clients
von: Ilhan, Fatih, et al.
Veröffentlicht: (2025)

Tackling Selfish Clients in Federated Learning
von: Augello, Andrea, et al.
Veröffentlicht: (2024)

FedConv: A Learning-on-Model Paradigm for Heterogeneous Federated Clients
von: Shen, Leming, et al.
Veröffentlicht: (2025)

FedConPE: Efficient Federated Conversational Bandits with Heterogeneous Clients
von: Li, Zhuohua, et al.
Veröffentlicht: (2024)

PNCS:Power-Norm Cosine Similarity for Diverse Client Selection in Federated Learning
von: Li, Liangyan, et al.
Veröffentlicht: (2025)

FedKL: Tackling Data Heterogeneity in Federated Reinforcement Learning by Penalizing KL Divergence
von: Xie, Zhijie, et al.
Veröffentlicht: (2022)

Facilitating Classroom Discussion on Diversity.
von: Jeng, Ling Hwey
Veröffentlicht: (1997)

FedDPC : Handling Data Heterogeneity and Partial Client Participation in Federated Learning
von: Sen, Mrinmay, et al.
Veröffentlicht: (2025)

FedMP: Tackling Medical Feature Heterogeneity in Federated Learning from a Manifold Perspective
von: Zhou, Zhekai, et al.
Veröffentlicht: (2025)

FedFlex: Federated Learning for Diverse Netflix Recommendations
von: Lankester, Sven, et al.
Veröffentlicht: (2025)

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

FedCCA: Client-Centric Adaptation against Data Heterogeneity in Federated Learning on IoT Devices
von: Wang, Kaile, et al.
Veröffentlicht: (2026)

Fed-pilot: Optimizing LoRA Allocation for Efficient Federated Fine-Tuning with Heterogeneous Clients
von: Zhang, Zikai, et al.
Veröffentlicht: (2024)

FedOAED: Federated On-Device Autoencoder Denoiser for Heterogeneous Data under Limited Client Availability
von: Howlader, S M Ruhul Kabir, et al.
Veröffentlicht: (2025)

FedRA: A Random Allocation Strategy for Federated Tuning to Unleash the Power of Heterogeneous Clients
von: Su, Shangchao, et al.
Veröffentlicht: (2023)

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

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

FedDiff: Diffusion Model Driven Federated Learning for Multi-Modal and Multi-Clients
von: Li, DaiXun, et al.
Veröffentlicht: (2023)

FedABC: Attention-Based Client Selection for Federated Learning with Long-Term View
von: Ye, Wenxuan, et al.
Veröffentlicht: (2025)

FedSTaS: Client Stratification and Client Level Sampling for Efficient Federated Learning
von: Slessor, Jordan, et al.
Veröffentlicht: (2024)

Tackling Noisy Clients in Federated Learning with End-to-end Label Correction
von: Jiang, Xuefeng, et al.
Veröffentlicht: (2024)

Collaborative Visual Place Recognition through Federated Learning
von: Dutto, Mattia, et al.
Veröffentlicht: (2024)

FedLLM-Align: Feature Extraction From Heterogeneous Clients
von: Gaber, Abdelrhman, et al.
Veröffentlicht: (2025)

Data Heterogeneity-Aware Client Selection for Federated Learning in Wireless Networks
von: Yang, Yanbing, et al.
Veröffentlicht: (2025)

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

Step-scan interferometry for high-fidelity hyperspectral nanoscopy
von: Nemeth, Gergely, et al.
Veröffentlicht: (2026)