Buchumschlag

Cluster-Aware Multi-Round Update for Wireless Federated Learning in Heterogeneous Environments

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Sun, Pengcheng, Liu, Erwu, Ni, Wei, Yu, Kanglei, Wang, Rui, Jamalipour, Abbas
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

Dual-Segment Clustering Strategy for Hierarchical Federated Learning in Heterogeneous Wireless Environments
von: Sun, Pengcheng, et al.
Veröffentlicht: (2024)

LAPA-based Dynamic Privacy Optimization for Wireless Federated Learning in Heterogeneous Environments
von: Sun, Pengcheng, et al.
Veröffentlicht: (2025)

A SER-based Device Selection Mechanism in Multi-bits Quantization Federated Learning
von: Sun, Pengcheng, et al.
Veröffentlicht: (2024)

Multi-Continental Healthcare Modelling Using Blockchain-Enabled Federated Learning
von: Sun, Rui, et al.
Veröffentlicht: (2024)

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

Degree of Staleness-Aware Data Updating in Federated Learning
von: Liu, Tao, et al.
Veröffentlicht: (2025)

Towards Heterogeneity-Aware and Energy-Efficient Topology Optimization for Decentralized Federated Learning in Edge Environment
von: Liu, Yuze, et al.
Veröffentlicht: (2025)

FedSCAM (Federated Sharpness-Aware Minimization with Clustered Aggregation and Modulation): Scam-resistant SAM for Robust Federated Optimization in Heterogeneous Environments
von: Rahil, Sameer, et al.
Veröffentlicht: (2025)

Single-Round Scalable Analytic Federated Learning
von: Bacellar, Alan T. L., et al.
Veröffentlicht: (2025)

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

Heterogeneity-Aware Client Sampling for Optimal and Efficient Federated Learning
von: Weng, Shudi, et al.
Veröffentlicht: (2025)

FedMTFI: Feature Importance Based Optimized Multi Teacher Knowledge Distillation in Heterogeneous Federated Learning Environment
von: Shadin, Nazmus Shakib, et al.
Veröffentlicht: (2026)

Addressing Heterogeneity in Federated Learning: Challenges and Solutions for a Shared Production Environment
von: Legler, Tatjana, et al.
Veröffentlicht: (2024)

HGMP:Heterogeneous Graph Multi-Task Prompt Learning
von: Jiao, Pengfei, et al.
Veröffentlicht: (2025)

Hierarchical Federated Foundation Models over Wireless Networks for Multi-Modal Multi-Task Intelligence: Integration of Edge Learning with D2D/P2P-Enabled Fog Learning Architectures
von: Abdisarabshali, Payam, et al.
Veröffentlicht: (2025)

Heterogeneity-Aware Coordination for Federated Learning via Stitching Pre-trained blocks
von: Zhan, Shichen, et al.
Veröffentlicht: (2024)

FedFixer: Mitigating Heterogeneous Label Noise in Federated Learning
von: Ji, Xinyuan, et al.
Veröffentlicht: (2024)

FedDAG: Clustered Federated Learning via Global Data and Gradient Integration for Heterogeneous Environments
von: Pramanik, Anik, et al.
Veröffentlicht: (2026)

Learn-by-interact: A Data-Centric Framework for Self-Adaptive Agents in Realistic Environments
von: Su, Hongjin, et al.
Veröffentlicht: (2025)

Enhancing Convergence in Federated Learning: A Contribution-Aware Asynchronous Approach
von: Xu, Changxin, et al.
Veröffentlicht: (2024)

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

FedMLP: Federated Multi-Label Medical Image Classification under Task Heterogeneity
von: Sun, Zhaobin, et al.
Veröffentlicht: (2024)

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

A Federated Learning Framework for Handling Subtype Confounding and Heterogeneity in Large-Scale Neuroimaging Diagnosis
von: Zhao, Xinglin, et al.
Veröffentlicht: (2025)

Internal Cross-layer Gradients for Extending Homogeneity to Heterogeneity in Federated Learning
von: Chan, Yun-Hin, et al.
Veröffentlicht: (2023)

Tackling the Non-IID Issue in Heterogeneous Federated Learning by Gradient Harmonization
von: Zhang, Xinyu, et al.
Veröffentlicht: (2023)

Federated Agentic AI for Wireless Networks: Fundamentals, Approaches, and Applications
von: Cai, Lingyi, et al.
Veröffentlicht: (2026)

CCFC: Bridging Federated Clustering and Contrastive Learning
von: Liu, Jing, et al.
Veröffentlicht: (2024)

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

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

CAESAR: Enhancing Federated RL in Heterogeneous MDPs through Convergence-Aware Sampling with Screening
von: Mak, Hei Yi, et al.
Veröffentlicht: (2024)

Adaptive Guidance for Local Training in Heterogeneous Federated Learning
von: Zhang, Jianqing, et al.
Veröffentlicht: (2024)

FAAR: Format-Aware Adaptive Rounding for NVFP4
von: Li, Hanglin, et al.
Veröffentlicht: (2026)

CoAst: Validation-Free Contribution Assessment for Federated Learning based on Cross-Round Valuation
von: Wu, Hao, et al.
Veröffentlicht: (2024)

CA-HFP: Curvature-Aware Heterogeneous Federated Pruning with Model Reconstruction
von: Hu, Gang, et al.
Veröffentlicht: (2026)

MoCFL: Mobile Cluster Federated Learning Framework for Highly Dynamic Network
von: Fang, Kai, et al.
Veröffentlicht: (2025)

Model-Preserving Adaptive Rounding
von: Tseng, Albert, et al.
Veröffentlicht: (2025)

Hierarchical Over-the-Air Federated Learning with Awareness of Interference and Data Heterogeneity
von: Azimi-Abarghouyi, Seyed Mohammad, et al.
Veröffentlicht: (2024)

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

One-Shot Clustering for Federated Learning
von: Zuziak, Maciej Krzysztof, et al.
Veröffentlicht: (2025)