:: Library Catalog

Buchumschlag

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Leng, Zeqi, Zhang, Chunxu, Long, Guodong, Xia, Riting, Yang, Bo
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Machine Learning
Online-Zugang:	https://arxiv.org/abs/2506.20285
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Incomplete Graph Learning: A Comprehensive Survey
von: Xia, Riting, et al.
Veröffentlicht: (2025)

Multimodal-enhanced Federated Recommendation: A Group-wise Fusion Approach
von: Zhang, Chunxu, et al.
Veröffentlicht: (2025)

A Survey of Personalized Federated Foundation Models for Privacy-Preserving Recommendation
von: Li, Zhiwei, et al.
Veröffentlicht: (2025)

Navigating the Future of Federated Recommendation Systems with Foundation Models
von: Li, Zhiwei, et al.
Veröffentlicht: (2024)

Client-supervised Federated Learning: Towards One-model-for-all Personalization
von: Yan, Peng, et al.
Veröffentlicht: (2024)

When Noisy Labels Meet Class Imbalance on Graphs: A Graph Augmentation Method with LLM and Pseudo Label
von: Xia, Riting, et al.
Veröffentlicht: (2025)

Federated Weather Modeling on Sensor Data
von: Chen, Shengchao, et al.
Veröffentlicht: (2026)

A Contrast Based Feature Selection Algorithm for High-dimensional Data set in Machine Learning
von: Cao, Chunxu, et al.
Veröffentlicht: (2024)

Federated Prompt Learning for Weather Foundation Models on Devices
von: Chen, Shengchao, et al.
Veröffentlicht: (2023)

Bi-level Heterogeneous Learning for Time Series Foundation Models: A Federated Learning Approach
von: Chen, Shengchao, et al.
Veröffentlicht: (2026)

Federated Learning with Extremely Noisy Clients via Negative Distillation
von: Lu, Yang, et al.
Veröffentlicht: (2023)

Federated Recommendation with Additive Personalization
von: Li, Zhiwei, et al.
Veröffentlicht: (2023)

Learning Evolving Preferences: A Federated Continual Framework for User-Centric Recommendation
von: Zhang, Chunxu, et al.
Veröffentlicht: (2026)

Influence-oriented Personalized Federated Learning
von: Tan, Yue, et al.
Veröffentlicht: (2024)

Federated Foundation Models on Heterogeneous Time Series
von: Chen, Shengchao, et al.
Veröffentlicht: (2024)

Federated Low-Rank Adaptation for Foundation Models: A Survey
von: Yang, Yiyuan, et al.
Veröffentlicht: (2025)

FeDaL: Federated Dataset Learning for General Time Series Foundation Models
von: Chen, Shengchao, et al.
Veröffentlicht: (2025)

TimeEmb: A Lightweight Static-Dynamic Disentanglement Framework for Time Series Forecasting
von: Xia, Mingyuan, et al.
Veröffentlicht: (2025)

Personalized Interpretation on Federated Learning: A Virtual Concepts approach
von: Yan, Peng, et al.
Veröffentlicht: (2024)

Multi-Level Additive Modeling for Structured Non-IID Federated Learning
von: Chen, Shutong, et al.
Veröffentlicht: (2024)

Knowledge Distillation in Federated Edge Learning: A Survey
von: Wu, Zhiyuan, et al.
Veröffentlicht: (2023)

Clustered Federated Learning with Hierarchical Knowledge Distillation
von: Ahmad, Sabtain, et al.
Veröffentlicht: (2025)

Bi-level Personalization for Federated Foundation Models: A Task-vector Aggregation Approach
von: Yang, Yiyuan, et al.
Veröffentlicht: (2025)

FedMerge: Federated Personalization via Model Merging
von: Chen, Shutong, et al.
Veröffentlicht: (2025)

Federated Vision-Language-Recommendation with Personalized Fusion
von: Li, Zhiwei, et al.
Veröffentlicht: (2024)

Study Features via Exploring Distribution Structure
von: Cao, Chunxu, et al.
Veröffentlicht: (2024)

Feature Selection via Maximizing Distances between Class Conditional Distributions
von: Cao, Chunxu, et al.
Veröffentlicht: (2024)

Federated Adapter on Foundation Models: An Out-Of-Distribution Approach
von: Yang, Yiyuan, et al.
Veröffentlicht: (2025)

Emerging Trends in Federated Learning: From Model Fusion to Federated X Learning
von: Ji, Shaoxiong, et al.
Veröffentlicht: (2021)

Personalized Federated Learning on Heterogeneous and Long-Tailed Data via Expert Collaborative Learning
von: Lv, Fengling, et al.
Veröffentlicht: (2024)

CodeQuant: Unified Clustering and Quantization for Enhanced Outlier Smoothing in Low-Precision Mixture-of-Experts
von: Yin, Xiangyang, et al.
Veröffentlicht: (2026)

Data-Automated Policy Learning for Nonlinear Welfare
von: Ai, Chunrong, et al.
Veröffentlicht: (2026)

FedDis: A Causal Disentanglement Framework for Federated Traffic Prediction
von: Zhou, Chengyang, et al.
Veröffentlicht: (2026)

Logits Poisoning Attack in Federated Distillation
von: Tang, Yuhan, et al.
Veröffentlicht: (2024)

Dual-Personalizing Adapter for Federated Foundation Models
von: Yang, Yiyuan, et al.
Veröffentlicht: (2024)

Federated Class-Incremental Learning with New-Class Augmented Self-Distillation
von: Wu, Zhiyuan, et al.
Veröffentlicht: (2024)

Federated Distillation: A Survey
von: Li, Lin, et al.
Veröffentlicht: (2024)

Personalized Federated Collaborative Filtering: A Variational AutoEncoder Approach
von: Li, Zhiwei, et al.
Veröffentlicht: (2024)

Simple yet Effective Graph Distillation via Clustering
von: Lai, Yurui, et al.
Veröffentlicht: (2025)

Clustered Federated Learning via Embedding Distributions
von: Zhang, Dekai, et al.
Veröffentlicht: (2025)