Buchumschlag

Towards One-shot Federated Learning: Advances, Challenges, and Future Directions

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Amato, Flora, Qiu, Lingyu, Tanveer, Mohammad, Cuomo, Salvatore, Giampaolo, Fabio, Piccialli, Francesco
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Machine Learning Artificial Intelligence Distributed, Parallel, and Cluster Computing
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

When Foundation Model Meets Federated Learning: Motivations, Challenges, and Future Directions
von: Zhuang, Weiming, et al.
Veröffentlicht: (2023)

Towards Multi-Model LLM Schedulers: Empirical Insights into Offloading and Preemption
von: Yildiz, Mert, et al.
Veröffentlicht: (2026)

OFL-W3: A One-shot Federated Learning System on Web 3.0
von: Jiang, Linshan, et al.
Veröffentlicht: (2024)

Towards Verifiable Federated Unlearning: Framework, Challenges, and The Road Ahead
von: Nguyen, Thanh Linh, et al.
Veröffentlicht: (2025)

Federated Unlearning in Edge Networks: A Survey of Fundamentals, Challenges, Practical Applications and Future Directions
von: Ng, Jer Shyuan, et al.
Veröffentlicht: (2026)

Sustainable Edge Computing: Challenges and Future Directions
von: Arroba, Patricia, et al.
Veröffentlicht: (2023)

Split Federated Learning Empowered Vehicular Edge Intelligence: Concept, Adaptive Design and Future Directions
von: Qiang, Xianke, et al.
Veröffentlicht: (2024)

Threats and Defenses in Federated Learning Life Cycle: A Comprehensive Survey and Challenges
von: Li, Yanli, et al.
Veröffentlicht: (2024)

A Unified Solution to Diverse Heterogeneities in One-shot Federated Learning
von: Bai, Jun, et al.
Veröffentlicht: (2024)

Decentralized Semantic Federated Learning for Real-Time Public Safety Tasks: Challenges, Methods, and Directions
von: Li, Baosheng, et al.
Veröffentlicht: (2025)

AIGC-assisted Federated Learning for Edge Intelligence: Architecture Design, Research Challenges and Future Directions
von: Qiang, Xianke, et al.
Veröffentlicht: (2025)

High-Performance Statistical Computing (HPSC): Challenges, Opportunities, and Future Directions
von: Abdulah, Sameh, et al.
Veröffentlicht: (2025)

Towards Resilient Federated Learning in CyberEdge Networks: Recent Advances and Future Trends
von: Li, Kai, et al.
Veröffentlicht: (2025)

On the Security and Privacy of Federated Learning: A Survey with Attacks, Defenses, Frameworks, Applications, and Future Directions
von: Jimenez-Gutierrez, Daniel M., et al.
Veröffentlicht: (2025)

A Survey on Scheduling Techniques in the Edge Cloud: Issues, Challenges and Future Directions
von: Asghar, Hassan, et al.
Veröffentlicht: (2022)

Towards Carbon-Aware Container Orchestration: Predicting Workload Energy Consumption with Federated Learning
von: Saad, Zainab, et al.
Veröffentlicht: (2025)

Vertical Federated Learning: Concepts, Advances and Challenges
von: Liu, Yang, et al.
Veröffentlicht: (2022)

FedMHO: Heterogeneous One-Shot Federated Learning Towards Resource-Constrained Edge Devices
von: Yao, Dezhong, et al.
Veröffentlicht: (2025)

Power- and Fragmentation-aware Online Scheduling for GPU Datacenters
von: Lettich, Francesco, et al.
Veröffentlicht: (2024)

Incentive-Based Federated Learning: Architectural Elements and Future Directions
von: Kaluannakkage, Chanuka A. S. Hewa, et al.
Veröffentlicht: (2025)

Evolving Topics in Federated Learning: Trends, and Emerging Directions for IS
von: Uddin, Md Raihan, et al.
Veröffentlicht: (2024)

One-Shot Federated Learning with Bayesian Pseudocoresets
von: d'Hondt, Tim, et al.
Veröffentlicht: (2024)

Asynchrony-Resilient Sleepy Total-Order Broadcast Protocols
von: D'Amato, Francesco, et al.
Veröffentlicht: (2023)

Advancing Hybrid Defense for Byzantine Attacks in Federated Learning
von: Yue, Kai, et al.
Veröffentlicht: (2024)

The Future of Large Language Model Pre-training is Federated
von: Sani, Lorenzo, et al.
Veröffentlicht: (2024)

Slicing Is All You Need: Towards A Universal One-Sided Algorithm for Distributed Matrix Multiplication
von: Brock, Benjamin, et al.
Veröffentlicht: (2025)

Collaborative Split Federated Learning with Parallel Training and Aggregation
von: Papageorgiou, Yiannis, et al.
Veröffentlicht: (2025)

Sentinel: An Aggregation Function to Secure Decentralized Federated Learning
von: Feng, Chao, et al.
Veröffentlicht: (2023)

One-Bit Model Aggregation for Differentially Private and Byzantine-Robust Personalized Federated Learning
von: Lan, Muhang, et al.
Veröffentlicht: (2025)

Towards Formal Verification of Federated Learning Orchestration Protocols on Satellites
von: Popovic, Miroslav, et al.
Veröffentlicht: (2024)

Towards Adaptive Asynchronous Federated Learning for Human Activity Recognition
von: Gajanin, Rastko, et al.
Veröffentlicht: (2024)

Learned Digital Codes for Over-the-Air Computation in Federated Edge Learning
von: Tarizzo, Antonio, et al.
Veröffentlicht: (2025)

Boosting Multimodal Federated Learning via Chained Modality Optimization
von: Zhang, Zixin, et al.
Veröffentlicht: (2026)

UnifyFL: Enabling Decentralized Cross-Silo Federated Learning
von: S, Sarang, et al.
Veröffentlicht: (2025)

Analyzing the Impact of Participant Failures in Cross-Silo Federated Learning
von: Stricker, Fabian, et al.
Veröffentlicht: (2025)

Robust Synchronisation for Federated Learning in The Face of Correlated Device Failure
von: Behfar, Stefan, et al.
Veröffentlicht: (2026)

Rethinking Inference Placement for Deep Learning across Edge and Cloud Platforms: A Multi-Objective Optimization Perspective and Future Directions
von: Zhang, Zongshun, et al.
Veröffentlicht: (2025)

TOB-SVD: Total-Order Broadcast with Single-Vote Decisions in the Sleepy Model
von: D'Amato, Francesco, et al.
Veröffentlicht: (2023)

3-Slot-Finality Protocol for Ethereum
von: D'Amato, Francesco, et al.
Veröffentlicht: (2024)

CommunityAI: Towards Community-based Federated Learning
von: Murturi, Ilir, et al.
Veröffentlicht: (2023)