Buchumschlag

Asynchronous Federated Learning with non-convex client objective functions and heterogeneous dataset

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Forootani, Ali, Iervolino, Raffaele
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

Orthogonal Calibration for Asynchronous Federated Learning
von: Zhang, Jiayun, et al.
Veröffentlicht: (2025)

Asynchronous Personalized Federated Learning through Global Memorization
von: Wan, Fan, et al.
Veröffentlicht: (2025)

Non-convex composite federated learning with heterogeneous data
von: Zhang, Jiaojiao, et al.
Veröffentlicht: (2025)

Achieving Linear Speedup in Asynchronous Federated Learning with Heterogeneous Clients
von: Wang, Xiaolu, et al.
Veröffentlicht: (2024)

GAS: Generative Activation-Aided Asynchronous Split Federated Learning
von: Yang, Jiarong, et al.
Veröffentlicht: (2024)

CSAFL: A Clustered Semi-Asynchronous Federated Learning Framework
von: Zhang, Yu, et al.
Veröffentlicht: (2021)

Corrected with the Latest Version: Make Robust Asynchronous Federated Learning Possible
von: Lu, Chaoyi, et al.
Veröffentlicht: (2025)

Asynchronous Federated Clustering with Unknown Number of Clusters
von: Zhang, Yunfan, et al.
Veröffentlicht: (2024)

FedAST: Federated Asynchronous Simultaneous Training
von: Askin, Baris, et al.
Veröffentlicht: (2024)

FedQS: Optimizing Gradient and Model Aggregation for Semi-Asynchronous Federated Learning
von: Li, Yunbo, et al.
Veröffentlicht: (2025)

Stragglers Can Contribute More: Uncertainty-Aware Distillation for Asynchronous Federated Learning
von: Wang, Yujia, et al.
Veröffentlicht: (2025)

Asyn2F: An Asynchronous Federated Learning Framework with Bidirectional Model Aggregation
von: Cao, Tien-Dung, et al.
Veröffentlicht: (2024)

Resource Efficient Asynchronous Federated Learning for Digital Twin Empowered IoT Network
von: Chu, Shunfeng, et al.
Veröffentlicht: (2024)

CaBaFL: Asynchronous Federated Learning via Hierarchical Cache and Feature Balance
von: Xia, Zeke, et al.
Veröffentlicht: (2024)

A Joint Approach to Local Updating and Gradient Compression for Efficient Asynchronous Federated Learning
von: Song, Jiajun, et al.
Veröffentlicht: (2024)

Asynchronous Multi-Model Dynamic Federated Learning over Wireless Networks: Theory, Modeling, and Optimization
von: Chang, Zhan-Lun, et al.
Veröffentlicht: (2023)

FedStaleWeight: Buffered Asynchronous Federated Learning with Fair Aggregation via Staleness Reweighting
von: Ma, Jeffrey, et al.
Veröffentlicht: (2024)

Asynchronous Federated Stochastic Optimization for Heterogeneous Objectives Under Arbitrary Delays
von: Iakovidou, Charikleia, et al.
Veröffentlicht: (2024)

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

SecureAFL: Secure Asynchronous Federated Learning
von: Gao, Anjun, et al.
Veröffentlicht: (2026)

Empirical Analysis of Asynchronous Federated Learning on Heterogeneous Devices: Efficiency, Fairness, and Privacy Trade-offs
von: Mohammadi, Samaneh, et al.
Veröffentlicht: (2025)

Asynchronous Byzantine Federated Learning
von: Cox, Bart, et al.
Veröffentlicht: (2024)

Straggler-Resilient Decentralized Learning via Adaptive Asynchronous Updates
von: Xiong, Guojun, et al.
Veröffentlicht: (2023)

Towards cost-effective and resource-aware aggregation at Edge for Federated Learning
von: Khan, Ahmad Faraz, et al.
Veröffentlicht: (2022)

DOPPLER: Dual-Policy Learning for Device Assignment in Asynchronous Dataflow Graphs
von: Yao, Xinyu, et al.
Veröffentlicht: (2025)

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

Ordered Momentum for Asynchronous SGD
von: Shi, Chang-Wei, et al.
Veröffentlicht: (2024)

Distributed client selection with multi-objective in federated learning assisted Internet of Vehicles
von: Cha, Narisu, et al.
Veröffentlicht: (2024)

DORA: A Scalable Asynchronous Reinforcement Learning System for Language Model Training
von: Hu, Tianhao, et al.
Veröffentlicht: (2026)

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

Multi-objective methods in Federated Learning: A survey and taxonomy
von: Hartmann, Maria, et al.
Veröffentlicht: (2025)

FLStore: Efficient Federated Learning Storage for non-training workloads
von: Khan, Ahmad Faraz, et al.
Veröffentlicht: (2025)

Nesterov Method for Asynchronous Pipeline Parallel Optimization
von: Ajanthan, Thalaiyasingam, et al.
Veröffentlicht: (2025)

FedPref: Federated Learning Across Heterogeneous Multi-objective Preferences
von: Hartmann, Maria, et al.
Veröffentlicht: (2025)

Not All Federated Learning Algorithms Are Created Equal: A Performance Evaluation Study
von: Baumgart, Gustav A., et al.
Veröffentlicht: (2024)

Dual-Distilled Heterogeneous Federated Learning with Adaptive Margins for Trainable Global Prototypes
von: Siddika, Fatema, et al.
Veröffentlicht: (2025)

Federated Frank-Wolfe Algorithm
von: Dadras, Ali, et al.
Veröffentlicht: (2024)

AsyncMesh: Fully Asynchronous Optimization for Data and Pipeline Parallelism
von: Ajanthan, Thalaiyasingam, et al.
Veröffentlicht: (2026)

Partial Federated Learning
von: Feng, Tiantian, et al.
Veröffentlicht: (2024)

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