Buchumschlag

Empirical Analysis of Asynchronous Federated Learning on Heterogeneous Devices: Efficiency, Fairness, and Privacy Trade-offs

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Mohammadi, Samaneh, Symeonidis, Iraklis, Balador, Ali, Flammini, Francesco
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Distributed, Parallel, and Cluster Computing Artificial Intelligence Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

EFU: Enforcing Federated Unlearning via Functional Encryption
von: Mohammadi, Samaneh, et al.
Veröffentlicht: (2025)

EncCluster: Scalable Functional Encryption in Federated Learning through Weight Clustering and Probabilistic Filters
von: Tsouvalas, Vasileios, et al.
Veröffentlicht: (2024)

Ravnest: Decentralized Asynchronous Training on Heterogeneous Devices
von: Menon, Anirudh Rajiv, et al.
Veröffentlicht: (2024)

SEAFL: Enhancing Efficiency in Semi-Asynchronous Federated Learning through Adaptive Aggregation and Selective Training
von: Islam, Md Sirajul, et al.
Veröffentlicht: (2025)

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

P3SL: Personalized Privacy-Preserving Split Learning on Heterogeneous Edge Devices
von: Fan, Wei, et al.
Veröffentlicht: (2025)

Efficient Asynchronous Federated Learning with Sparsification and Quantization
von: Jia, Juncheng, et al.
Veröffentlicht: (2023)

Boosting Asynchronous Decentralized Learning with Model Fragmentation
von: Biswas, Sayan, et al.
Veröffentlicht: (2024)

Trade-offs in Decentralized Agentic AI Discovery Across the Compute Continuum
von: Dazzi, Patrizio, et al.
Veröffentlicht: (2026)

Privacy-Preserving Federated Learning: Integrating Zero-Knowledge Proofs in Scalable Distributed Architectures
von: Gupta, Divya
Veröffentlicht: (2026)

MARLaaS: Multi-Tenant Asynchronous Reinforcement Learning as a Service
von: Yu, Timothy Tin Long, et al.
Veröffentlicht: (2026)

Mitigating Persistent Client Dropout in Asynchronous Decentralized Federated Learning
von: Stępka, Ignacy, et al.
Veröffentlicht: (2025)

Characterizing Performance-Energy Trade-offs of Large Language Models in Multi-Request Workflows
von: Ifath, Md. Monzurul Amin, et al.
Veröffentlicht: (2026)

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

Failure-Resilient Distributed Inference with Model Compression over Heterogeneous Edge Devices
von: Wang, Li, et al.
Veröffentlicht: (2024)

FedFa: A Fully Asynchronous Training Paradigm for Federated Learning
von: Xu, Haotian, et al.
Veröffentlicht: (2024)

Convergence-Privacy-Fairness Trade-Off in Personalized Federated Learning
von: Zhao, Xiyu, et al.
Veröffentlicht: (2025)

An Upload-Efficient Scheme for Transferring Knowledge From a Server-Side Pre-trained Generator to Clients in Heterogeneous Federated Learning
von: Zhang, Jianqing, et al.
Veröffentlicht: (2024)

Optimizing Privacy-Utility Trade-off in Decentralized Learning with Generalized Correlated Noise
von: Rodio, Angelo, et al.
Veröffentlicht: (2025)

Federated Fine-Tuning of Sparsely-Activated Large Language Models on Resource-Constrained Devices
von: Chen, Fahao, et al.
Veröffentlicht: (2025)

Secure and Privacy-Preserving Vertical Federated Learning
von: Jin, Shan, et al.
Veröffentlicht: (2026)

Trustworthy Federated Learning: Privacy, Security, and Beyond
von: Chen, Chunlu, et al.
Veröffentlicht: (2024)

Privacy in Federated Learning with Spiking Neural Networks
von: Aksu, Dogukan, et al.
Veröffentlicht: (2025)

Empirical Analysis of Privacy-Fairness-Accuracy Trade-offs in Federated Learning: A Step Towards Responsible AI
von: Wasif, Dawood, et al.
Veröffentlicht: (2025)

Adaptive Parameter-Efficient Federated Fine-Tuning on Heterogeneous Devices
von: Liu, Jun, et al.
Veröffentlicht: (2024)

An Adaptive Differential Privacy Method Based on Federated Learning
von: Wang, Zhiqiang, et al.
Veröffentlicht: (2024)

FairBatching: Fairness-Aware Batch Formation for LLM Inference
von: Lyu, Hongtao, et al.
Veröffentlicht: (2025)

Fairness-Aware Job Scheduling for Multi-Job Federated Learning
von: Shi, Yuxin, et al.
Veröffentlicht: (2024)

Calibre: Towards Fair and Accurate Personalized Federated Learning with Self-Supervised Learning
von: Chen, Sijia, et al.
Veröffentlicht: (2024)

Efficient Federated Learning with Heterogeneous Data and Adaptive Dropout
von: Liu, Ji, et al.
Veröffentlicht: (2025)

Beyond Aggregation: Guiding Clients in Heterogeneous Federated Learning
von: Wang, Zijian, et al.
Veröffentlicht: (2025)

FedUV: Uniformity and Variance for Heterogeneous Federated Learning
von: Son, Ha Min, et al.
Veröffentlicht: (2024)

Non-Convex Over-the-Air Heterogeneous Federated Learning: A Bias-Variance Trade-off
von: Abrar, Muhammad Faraz Ul, et al.
Veröffentlicht: (2025)

NebulaFL: Effective Asynchronous Federated Learning for JointCloud Computing
von: Gao, Fei, et al.
Veröffentlicht: (2024)

FedSAC: Dynamic Submodel Allocation for Collaborative Fairness in Federated Learning
von: Wang, Zihui, et al.
Veröffentlicht: (2024)

CurvFed: Curvature-Aligned Federated Learning for Fairness without Demographics
von: Sharma, Harshit, et al.
Veröffentlicht: (2024)

EchoPFL: Asynchronous Personalized Federated Learning on Mobile Devices with On-Demand Staleness Control
von: Li, Xiaochen, et al.
Veröffentlicht: (2024)

LCFed: An Efficient Clustered Federated Learning Framework for Heterogeneous Data
von: Zhang, Yuxin, et al.
Veröffentlicht: (2025)

Adaptive Active Inference Agents for Heterogeneous and Lifelong Federated Learning
von: Danilenka, Anastasiya, et al.
Veröffentlicht: (2024)

FedAA: A Reinforcement Learning Perspective on Adaptive Aggregation for Fair and Robust Federated Learning
von: He, Jialuo, et al.
Veröffentlicht: (2024)