Buchumschlag

Converge Faster, Talk Less: Hessian-Informed Federated Zeroth-Order Optimization

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Li, Zhe, Ying, Bicheng, Liu, Zidong, Dong, Chaosheng, Yang, Haibo
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Machine Learning Distributed, Parallel, and Cluster Computing
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Achieving Dimension-Free Communication in Federated Learning via Zeroth-Order Optimization
von: Li, Zhe, et al.
Veröffentlicht: (2024)

Exact and Linear Convergence for Federated Learning under Arbitrary Client Participation is Attainable
von: Ying, Bicheng, et al.
Veröffentlicht: (2025)

Hybrid Decentralized Optimization: Leveraging Both First- and Zeroth-Order Optimizers for Faster Convergence
von: Ansaripour, Matin, et al.
Veröffentlicht: (2022)

Federated Multi-Objective Learning
von: Yang, Haibo, et al.
Veröffentlicht: (2023)

When Less is More: Achieving Faster Convergence in Distributed Edge Machine Learning
von: Basani, Advik Raj, et al.
Veröffentlicht: (2024)

Communication-Efficient and Differentially Private Vertical Federated Learning with Zeroth-Order Optimization
von: Zhang, Jianing, et al.
Veröffentlicht: (2025)

When Foresight Pruning Meets Zeroth-Order Optimization: Efficient Federated Learning for Low-Memory Devices
von: Zhang, Pengyu, et al.
Veröffentlicht: (2024)

FedFetch: Faster Federated Learning with Adaptive Downstream Prefetching
von: Yan, Qifan, et al.
Veröffentlicht: (2025)

Understanding Server-Assisted Federated Learning in the Presence of Incomplete Client Participation
von: Yang, Haibo, et al.
Veröffentlicht: (2024)

ABS: Adaptive Bounded Staleness Converges Faster and Communicates Less
von: Tan, Qiao, et al.
Veröffentlicht: (2023)

Convergence Analysis of Split Federated Learning on Heterogeneous Data
von: Han, Pengchao, et al.
Veröffentlicht: (2024)

On the Convergence Rates of Federated Q-Learning across Heterogeneous Environments
von: Wang, Leo Muxing, et al.
Veröffentlicht: (2024)

FedLog: Personalized Federated Classification with Less Communication and More Flexibility
von: Yu, Haolin, et al.
Veröffentlicht: (2024)

Communication and Energy Efficient Federated Learning using Zero-Order Optimization Technique
von: Mhanna, Elissa, et al.
Veröffentlicht: (2024)

Accelerating Hybrid Federated Learning Convergence under Partial Participation
von: Bian, Jieming, et al.
Veröffentlicht: (2023)

Decentralized Sporadic Federated Learning: A Unified Algorithmic Framework with Convergence Guarantees
von: Zehtabi, Shahryar, et al.
Veröffentlicht: (2024)

Towards Straggler-Resilient Split Federated Learning: An Unbalanced Update Approach
von: Liang, Dandan, et al.
Veröffentlicht: (2025)

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

On the Convergence of Continual Federated Learning Using Incrementally Aggregated Gradients
von: Keshri, Satish Kumar, et al.
Veröffentlicht: (2024)

Review of Mathematical Optimization in Federated Learning
von: Yang, Shusen, et al.
Veröffentlicht: (2024)

Communication-Efficient Federated Group Distributionally Robust Optimization
von: Guo, Zhishuai, et al.
Veröffentlicht: (2024)

Runtime-Orchestrated Second-Order Optimization for Scalable LLM Training
von: Lu, Yishun, et al.
Veröffentlicht: (2026)

FedNMUT -- Federated Noisy Model Update Tracking Convergence Analysis
von: Chellapandi, Vishnu Pandi, et al.
Veröffentlicht: (2024)

Optimal Routing for Federated Learning over Dynamic Satellite Networks: Tractable or Not?
von: Zhao, Yi, et al.
Veröffentlicht: (2026)

Faster Convergence with Less Communication: Broadcast-Based Subgraph Sampling for Decentralized Learning over Wireless Networks
von: Herrera, Daniel Pérez, et al.
Veröffentlicht: (2024)

Federated Temporal Graph Clustering
von: Zhou, Zihao, et al.
Veröffentlicht: (2024)

Accelerating Wireless Distributed Learning via Hybrid Split and Federated Learning Optimization
von: Guo, Kun, et al.
Veröffentlicht: (2025)

Robust Model Aggregation for Heterogeneous Federated Learning: Analysis and Optimizations
von: Shao, Yumeng, et al.
Veröffentlicht: (2024)

FEDBUD: Joint Incentive and Privacy Optimization for Resource-Constrained Federated Learning
von: Liu, Tao, et al.
Veröffentlicht: (2026)

Enhancing Convergence, Privacy and Fairness for Wireless Personalized Federated Learning: Quantization-Assisted Min-Max Fair Scheduling
von: Zhao, Xiyu, et al.
Veröffentlicht: (2025)

Fast Decentralized Gradient Tracking for Federated Minimax Optimization with Local Updates
von: Li, Chris Junchi
Veröffentlicht: (2024)

History Rhymes: Accelerating LLM Reinforcement Learning with RhymeRL
von: He, Jingkai, et al.
Veröffentlicht: (2025)

FUPareto: Bridging the Forgetting-Utility Gap in Federated Unlearning via Pareto Augmented Optimization
von: Wang, Zeyan, et al.
Veröffentlicht: (2026)

Get More for Less in Decentralized Learning Systems
von: Dhasade, Akash, et al.
Veröffentlicht: (2023)

High Order Collaboration-Oriented Federated Graph Neural Network for Accurate QoS Prediction
von: Chen, Zehuan, et al.
Veröffentlicht: (2025)

FedCAda: Adaptive Client-Side Optimization for Accelerated and Stable Federated Learning
von: Zhou, Liuzhi, et al.
Veröffentlicht: (2024)

Federated Communication-Efficient Multi-Objective Optimization
von: Askin, Baris, et al.
Veröffentlicht: (2024)

Collaborative Batch Size Optimization for Federated Learning
von: Geimer, Arno, et al.
Veröffentlicht: (2025)

Less is More: Optimizing Function Calling for LLM Execution on Edge Devices
von: Paramanayakam, Varatheepan, et al.
Veröffentlicht: (2024)

Federated Graph Learning with Graphless Clients
von: Fu, Xingbo, et al.
Veröffentlicht: (2024)