Buchumschlag

Socially inspired Adaptive Coalition and Client Selection in Federated Learning

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Licciardi, Alessandro, Raineri, Roberta, Proskurnikov, Anton, Rondoni, Lamberto, Zino, Lorenzo
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

FJ-MM: The Friedkin-Johnsen Opinion Dynamics Model with Memory and Higher-Order Neighbors
von: Raineri, Roberta, et al.
Veröffentlicht: (2025)

Wavelet Scattering Transform and Fourier Representation for Offline Detection of Malicious Clients in Federated Learning
von: Licciardi, Alessandro, et al.
Veröffentlicht: (2025)

Controlling a Social Network of Individuals with Coevolving Actions and Opinions
von: Raineri, Roberta, et al.
Veröffentlicht: (2025)

Wavelet Scattering Transform for Gravitational Waves Analysis. An Application to Glitch Characterization
von: Licciardi, Alessandro, et al.
Veröffentlicht: (2024)

An Adaptive Clustering Scheme for Client Selections in Communication-Efficient Federated Learning
von: Chen, Yan-Ann, et al.
Veröffentlicht: (2025)

Interaction-Aware Gaussian Weighting for Clustered Federated Learning
von: Licciardi, Alessandro, et al.
Veröffentlicht: (2025)

Adaptive Client Selection with Personalization for Communication Efficient Federated Learning
von: de Souza, Allan M., et al.
Veröffentlicht: (2024)

Non-Convex Federated Optimization under Cost-Aware Client Selection
von: Jiang, Xiaowen, et al.
Veröffentlicht: (2025)

Adaptive Client Selection in Federated Learning: A Network Anomaly Detection Use Case
von: Marfo, William, et al.
Veröffentlicht: (2025)

Distribution-Controlled Client Selection to Improve Federated Learning Strategies
von: Düsing, Christoph, et al.
Veröffentlicht: (2025)

Client Selection in Federated Learning with Data Heterogeneity and Network Latencies
von: Vardhan, Harsh, et al.
Veröffentlicht: (2025)

Efficient Client Selection in Federated Learning
von: Marfo, William, et al.
Veröffentlicht: (2025)

Reducing Communication Overhead in Federated Learning for Network Anomaly Detection with Adaptive Client Selection
von: Marfo, William, et al.
Veröffentlicht: (2025)

Adaptive Client Sampling in Federated Learning via Online Learning with Bandit Feedback
von: Zhao, Boxin, et al.
Veröffentlicht: (2021)

Adaptive Self-Distillation for Minimizing Client Drift in Heterogeneous Federated Learning
von: Yashwanth, M, et al.
Veröffentlicht: (2023)

Adaptive Client Selection via Q-Learning-based Whittle Index in Wireless Federated Learning
von: Li, Qiyue, et al.
Veröffentlicht: (2025)

ICAFS: Inter-Client-Aware Feature Selection for Vertical Federated Learning
von: Jin, Ruochen, et al.
Veröffentlicht: (2025)

Adaptive Federated Learning with Auto-Tuned Clients
von: Kim, Junhyung Lyle, et al.
Veröffentlicht: (2023)

Personalized Federated Learning with Attention-based Client Selection
von: Chen, Zihan, et al.
Veröffentlicht: (2023)

Client Selection for Federated Policy Optimization with Environment Heterogeneity
von: Xie, Zhijie, et al.
Veröffentlicht: (2023)

The Power of Bias: Optimizing Client Selection in Federated Learning with Heterogeneous Differential Privacy
von: Ma, Jiating, et al.
Veröffentlicht: (2024)

WhaleNet: a Novel Deep Learning Architecture for Marine Mammals Vocalizations on Watkins Marine Mammal Sound Database
von: Licciardi, Alessandro, et al.
Veröffentlicht: (2024)

Conflict-Aware Client Selection for Multi-Server Federated Learning
von: Hong, Mingwei, et al.
Veröffentlicht: (2026)

Client-Centric Federated Adaptive Optimization
von: Sun, Jianhui, et al.
Veröffentlicht: (2025)

FedAWA: Adaptive Optimization of Aggregation Weights in Federated Learning Using Client Vectors
von: Shi, Changlong, et al.
Veröffentlicht: (2025)

Cluster-Based Client Selection for Dependent Multi-Task Federated Learning in Edge Computing
von: Luo, Jieping, et al.
Veröffentlicht: (2025)

Heterogeneity-Aware Client Selection Methodology For Efficient Federated Learning
von: Balivada, Nihal, et al.
Veröffentlicht: (2026)

Greedy Shapley Client Selection for Communication-Efficient Federated Learning
von: Singhal, Pranava, et al.
Veröffentlicht: (2023)

Maverick-Aware Shapley Valuation for Client Selection in Federated Learning
von: Yang, Mengwei, et al.
Veröffentlicht: (2024)

A Nonlinear Separation Principle via Contraction Theory: Applications to Neural Networks, Control, and Learning
von: Gokhale, Anand, et al.
Veröffentlicht: (2026)

Ranking-based Client Selection with Imitation Learning for Efficient Federated Learning
von: Tian, Chunlin, et al.
Veröffentlicht: (2024)

Optimizing Federated Learning by Entropy-Based Client Selection
von: Lutz, Andreas, et al.
Veröffentlicht: (2024)

Addressing Data Quality Decompensation in Federated Learning via Dynamic Client Selection
von: Fei, Qinjun, et al.
Veröffentlicht: (2025)

Q-LocalAdam: Memory-Efficient Client-Side Adaptive Optimization for Edge Federated Learning
von: Waykole, Vedant, et al.
Veröffentlicht: (2026)

Rethinking Client-oriented Federated Graph Learning
von: Chen, Zekai, et al.
Veröffentlicht: (2025)

Client Contribution Normalization for Enhanced Federated Learning
von: Kundalwal, Mayank Kumar, et al.
Veröffentlicht: (2024)

PSI-PFL: Population Stability Index for Client Selection in non-IID Personalized Federated Learning
von: Jimenez-Gutierrez, Daniel-M., et al.
Veröffentlicht: (2025)

Enhanced Federated Optimization: Adaptive Unbiased Client Sampling with Reduced Variance
von: Zeng, Dun, et al.
Veröffentlicht: (2023)

Client2Vec: Improving Federated Learning by Distribution Shifts Aware Client Indexing
von: Guo, Yongxin, et al.
Veröffentlicht: (2024)

S-VOTE: Similarity-based Voting for Client Selection in Decentralized Federated Learning
von: Sánchez, Pedro Miguel Sánchez, et al.
Veröffentlicht: (2025)