Buchumschlag

Semi-decentralized Federated Time Series Prediction with Client Availability Budgets

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Bao, Yunkai, Safarzadeh, Reza, Wang, Xin, Drew, Steve
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

Energy-efficient Federated Learning with Dynamic Model Size Allocation
von: Kumar, M S Chaitanya, et al.
Veröffentlicht: (2024)

Navigating High-Degree Heterogeneity: Federated Learning in Aerial and Space Networks
von: Dong, Fan, et al.
Veröffentlicht: (2024)

Topology-aware Federated Learning in Edge Computing: A Comprehensive Survey
von: Wu, Jiajun, et al.
Veröffentlicht: (2023)

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

Towards Client Driven Federated Learning
von: Li, Songze, et al.
Veröffentlicht: (2024)

Semi-decentralized Training of Spatio-Temporal Graph Neural Networks for Traffic Prediction
von: Kralj, Ivan, et al.
Veröffentlicht: (2024)

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

Federated Learning in the Presence of Adversarial Client Unavailability
von: Su, Lili, et al.
Veröffentlicht: (2023)

Debiasing Federated Learning with Correlated Client Participation
von: Sun, Zhenyu, et al.
Veröffentlicht: (2024)

Federated Behavioural Planes: Explaining the Evolution of Client Behaviour in Federated Learning
von: Fenoglio, Dario, et al.
Veröffentlicht: (2024)

Beyond the Federation: Topology-aware Federated Learning for Generalization to Unseen Clients
von: Ma, Mengmeng, et al.
Veröffentlicht: (2024)

Controlled disagreement improves generalization in decentralized training
von: Wang, Zesen, et al.
Veröffentlicht: (2026)

Local Gradient Regulation Stabilizes Federated Learning under Client Heterogeneity
von: Luo, Ping, et al.
Veröffentlicht: (2026)

Communication-Efficient Multimodal Federated Learning: Joint Modality and Client Selection
von: Yuan, Liangqi, et al.
Veröffentlicht: (2024)

FedGreen: Carbon-aware Federated Learning with Model Size Adaptation
von: Abbasi, Ali, et al.
Veröffentlicht: (2024)

TRAIL: Trust-Aware Client Scheduling for Semi-Decentralized Federated Learning
von: Hu, Gangqiang, et al.
Veröffentlicht: (2024)

Robust Federated Learning in Unreliable Wireless Networks: A Client Selection Approach
von: Wang, Yanmeng, et al.
Veröffentlicht: (2025)

FedHFT: Efficient Federated Finetuning with Heterogeneous Edge Clients
von: Ilhan, Fatih, 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)

Communication-Efficient Federated AUC Maximization with Cyclic Client Participation
von: Vangapally, Umesh, et al.
Veröffentlicht: (2026)

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

Harnessing Increased Client Participation with Cohort-Parallel Federated Learning
von: Dhasade, Akash, et al.
Veröffentlicht: (2024)

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

TurboSVM-FL: Boosting Federated Learning through SVM Aggregation for Lazy Clients
von: Wang, Mengdi, et al.
Veröffentlicht: (2024)

From promise to practice: realizing high-performance decentralized training
von: Wang, Zesen, et al.
Veröffentlicht: (2024)

Federated Time Series Generation on Feature and Temporally Misaligned Data
von: Soi, Zhi Wen, 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)

Flexible Clustered Federated Learning for Client-Level Data Distribution Shift
von: Duan, Moming, et al.
Veröffentlicht: (2021)

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

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

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

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

Overcoming Challenges of Partial Client Participation in Federated Learning : A Comprehensive Review
von: Sen, Mrinmay, et al.
Veröffentlicht: (2025)

The Diversity Bonus: Learning from Dissimilar Distributed Clients in Personalized Federated Learning
von: Wu, Xinghao, et al.
Veröffentlicht: (2024)

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

MimiC: Combating Client Dropouts in Federated Learning by Mimicking Central Updates
von: Sun, Yuchang, et al.
Veröffentlicht: (2023)

Emulating Full Participation: An Effective and Fair Client Selection Strategy for Federated Learning
von: Li, Qingming, et al.
Veröffentlicht: (2024)

SAFL: Structure-Aware Personalized Federated Learning via Client-Specific Clustering and SCSI-Guided Model Pruning
von: Li, Nan, et al.
Veröffentlicht: (2025)

FedGCS: A Generative Framework for Efficient Client Selection in Federated Learning via Gradient-based Optimization
von: Ning, Zhiyuan, et al.
Veröffentlicht: (2024)