Buchumschlag

Lazy But Effective: Collaborative Personalized Federated Learning with Heterogeneous Data

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Rokvic, Ljubomir, Danassis, Panayiotis, Faltings, Boi
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

LIA: Privacy-Preserving Data Quality Evaluation in Federated Learning Using a Lazy Influence Approximation
von: Rokvic, Ljubomir, et al.
Veröffentlicht: (2022)

A Proposal for Networks Capable of Continual Learning
von: Erden, Zeki Doruk, et al.
Veröffentlicht: (2025)

Agential AI for Integrated Continual Learning, Deliberative Behavior, and Comprehensible Models
von: Erden, Zeki Doruk, et al.
Veröffentlicht: (2025)

Directed Structural Adaptation to Overcome Statistical Conflicts and Enable Continual Learning
von: Erden, Zeki Doruk, et al.
Veröffentlicht: (2024)

Can Vibe Coding Beat Graduate CS Students? An LLM vs. Human Coding Tournament on Market-driven Strategic Planning
von: Danassis, Panayiotis, et al.
Veröffentlicht: (2025)

Continual Reinforcement Learning via Autoencoder-Driven Task and New Environment Recognition
von: Erden, Zeki Doruk, et al.
Veröffentlicht: (2025)

Foundations of a Developmental Design Paradigm for Integrated Continual Learning, Deliberative Behavior, and Comprehensibility
von: Erden, Zeki Doruk, et al.
Veröffentlicht: (2025)

Evolutionary Developmental Biology Can Serve as the Conceptual Foundation for a New Design Paradigm in Artificial Intelligence
von: Erden, Zeki Doruk, et al.
Veröffentlicht: (2025)

Probabilistic Federated Learning on Uncertain and Heterogeneous Data with Model Personalization
von: Rahman, Ratun, et al.
Veröffentlicht: (2026)

Benchmarking Data Heterogeneity Evaluation Approaches for Personalized Federated Learning
von: Li, Zhilong, et al.
Veröffentlicht: (2024)

LazyDiT: Lazy Learning for the Acceleration of Diffusion Transformers
von: Shen, Xuan, et al.
Veröffentlicht: (2024)

A Logical Fallacy-Informed Framework for Argument Generation
von: Mouchel, Luca, et al.
Veröffentlicht: (2024)

LLMs for Resource Allocation: A Participatory Budgeting Approach to Inferring Preferences
von: Damle, Sankarshan, et al.
Veröffentlicht: (2025)

On ADMM in Heterogeneous Federated Learning: Personalization, Robustness, and Fairness
von: Zhu, Shengkun, et al.
Veröffentlicht: (2024)

Personalized Federated Dictionary Learning for Modeling Heterogeneity in Multi-site fMRI Data
von: Zhang, Yipu, et al.
Veröffentlicht: (2025)

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

FedCoSR: Personalized Federated Learning with Contrastive Shareable Representations for Label Heterogeneity in Non-IID Data
von: Huang, Chenghao, et al.
Veröffentlicht: (2024)

Heterogeneity-aware Personalized Federated Learning via Adaptive Dual-Agent Reinforcement Learning
von: Chen, Xi, et al.
Veröffentlicht: (2025)

The Importance of Being Lazy: Scaling Limits of Continual Learning
von: Graldi, Jacopo, et al.
Veröffentlicht: (2025)

Privacy-Preserving Personalized Federated Learning for Distributed Photovoltaic Disaggregation under Statistical Heterogeneity
von: Chen, Xiaolu, et al.
Veröffentlicht: (2025)

Causal Discovery in Action: Learning Chain-Reaction Mechanisms from Interventions
von: Panayiotou, Panayiotis, et al.
Veröffentlicht: (2026)

Curricula for Learning Robust Policies with Factored State Representations in Changing Environments
von: Panayiotou, Panayiotis, et al.
Veröffentlicht: (2024)

Understanding and Improving Model Averaging in Federated Learning on Heterogeneous Data
von: Zhou, Tailin, et al.
Veröffentlicht: (2023)

Federated Learning on Virtual Heterogeneous Data with Local-global Distillation
von: Huang, Chun-Yin, et al.
Veröffentlicht: (2023)

HARMONY: Bridging the Personalization-Generalization Gap by Mitigating Representation Skew in Heterogeneous Split Federated Learning
von: Youn, Jiseok, et al.
Veröffentlicht: (2026)

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

Aggregation Alignment for Federated Learning with Mixture-of-Experts under Data Heterogeneity
von: Fang, Zihan, et al.
Veröffentlicht: (2026)

Tackling Heterogeneity in Quantum Federated Learning: An Integrated Sporadic-Personalized Approach
von: Rahman, Ratun, et al.
Veröffentlicht: (2026)

Laziness, Barren Plateau, and Noise in Machine Learning
von: Liu, Junyu, et al.
Veröffentlicht: (2022)

Federated Causal Discovery from Heterogeneous Data
von: Li, Loka, et al.
Veröffentlicht: (2024)

Data-Free Continual Learning of Server Models in Model-Heterogeneous Cloud-Device Collaboration
von: Zhang, Xiao, et al.
Veröffentlicht: (2025)

FBFL: A Field-Based Coordination Approach for Data Heterogeneity in Federated Learning
von: Domini, Davide, et al.
Veröffentlicht: (2025)

Rethinking LoRA for Data Heterogeneous Federated Learning: Subspace and State Alignment
von: Peng, Hongyi, et al.
Veröffentlicht: (2026)

Overcoming Data and Model Heterogeneities in Decentralized Federated Learning via Synthetic Anchors
von: Huang, Chun-Yin, et al.
Veröffentlicht: (2024)

Collaborative Yet Personalized Policy Training: Single-Timescale Federated Actor-Critic
von: Wang, Leo Muxing, et al.
Veröffentlicht: (2026)

Federated Learning Resilient to Byzantine Attacks and Data Heterogeneity
von: Zuo, Shiyuan, et al.
Veröffentlicht: (2024)

Few-for-Many Personalized Federated Learning
von: Guo, Ping, et al.
Veröffentlicht: (2026)

FedDiverse: Tackling Data Heterogeneity in Federated Learning with Diversity-Driven Client Selection
von: Németh, Gergely D., et al.
Veröffentlicht: (2025)

Accurate Forgetting for Heterogeneous Federated Continual Learning
von: Wuerkaixi, Abudukelimu, et al.
Veröffentlicht: (2025)

Personalized Federated Learning via Learning Dynamic Graphs
von: Zhou, Ziran, et al.
Veröffentlicht: (2025)