Buchumschlag

TT-Prune: Joint Model Pruning and Resource Allocation for Communication-efficient Time-triggered Federated Learning

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Zhang, Xinlu, Deng, Yansha, Mahmoodi, Toktam
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

Joint Model Pruning and Resource Allocation for Wireless Time-triggered Federated Learning
von: Zhang, Xinlu, et al.
Veröffentlicht: (2024)

Communication-Aware Knowledge Distillation for Federated LLM Fine-Tuning over Wireless Networks
von: Zhang, Xinlu, et al.
Veröffentlicht: (2025)

Mosaic: Composite Projection Pruning for Resource-efficient LLMs
von: Eccles, Bailey J., et al.
Veröffentlicht: (2025)

Federated Multimodal Learning with Dual Adapters and Selective Pruning for Communication and Computational Efficiency
von: Nguyen, Duy Phuong, et al.
Veröffentlicht: (2025)

A Comprehensive Survey on Joint Resource Allocation Strategies in Federated Edge Learning
von: Zhang, Jingbo, et al.
Veröffentlicht: (2024)

Multimodal Survival Modeling and Fairness-Aware Clinical Machine Learning for 5-Year Breast Cancer Risk Prediction
von: Khatibi, Toktam
Veröffentlicht: (2026)

FedMef: Towards Memory-efficient Federated Dynamic Pruning
von: Huang, Hong, et al.
Veröffentlicht: (2024)

Federated Learning based on Pruning and Recovery
von: Ma, Chengjie
Veröffentlicht: (2024)

Physics Inspired Criterion for Pruning-Quantization Joint Learning
von: Xie, Weiying, et al.
Veröffentlicht: (2023)

Joint Routing and Model Pruning for Decentralized Federated Learning in Bandwidth-Constrained Multi-Hop Wireless Networks
von: He, Xiaoyu, et al.
Veröffentlicht: (2026)

FedMap: Iterative Magnitude-Based Pruning for Communication-Efficient Federated Learning
von: Herzog, Alexander, et al.
Veröffentlicht: (2024)

DynamicFL: Federated Learning with Dynamic Communication Resource Allocation
von: Le, Qi, et al.
Veröffentlicht: (2024)

Exploring Federated Pruning for Large Language Models
von: Guo, Pengxin, et al.
Veröffentlicht: (2025)

Sparsest Models Elude Pruning: An Exposé of Pruning's Current Capabilities
von: Zhang, Stephen, et al.
Veröffentlicht: (2024)

SPAT: Sensitivity-based Multihead-attention Pruning on Time Series Forecasting Models
von: Guo, Suhan, et al.
Veröffentlicht: (2025)

Prune, Update and Trim: Robust Structured Pruning for Large Language Models
von: Mecke, Diego Coello de Portugal, et al.
Veröffentlicht: (2026)

Adaptive Model Pruning and Personalization for Federated Learning over Wireless Networks
von: Liu, Xiaonan, et al.
Veröffentlicht: (2023)

Fine-grained Token Allocation Via Operation Pruning for Efficient MLLMs
von: Liu, Aoming, et al.
Veröffentlicht: (2025)

DapperFL: Domain Adaptive Federated Learning with Model Fusion Pruning for Edge Devices
von: Jia, Yongzhe, et al.
Veröffentlicht: (2024)

Multi-Dimensional Pruning: Joint Channel, Layer and Block Pruning with Latency Constraint
von: Sun, Xinglong, et al.
Veröffentlicht: (2024)

Federated Split Learning with Model Pruning and Gradient Quantization in Wireless Networks
von: Zhang, Junhe, et al.
Veröffentlicht: (2024)

Joint Optimization of Resource Allocation and Data Selection for Fast and Cost-Efficient Federated Edge Learning
von: Jia, Yunjian, et al.
Veröffentlicht: (2024)

BESA: Pruning Large Language Models with Blockwise Parameter-Efficient Sparsity Allocation
von: Xu, Peng, et al.
Veröffentlicht: (2024)

Resource-Constrained Affect Modelling via Variance Regularisation Pruning
von: Pinitas, Kosmas, et al.
Veröffentlicht: (2026)

No Free Prune: Information-Theoretic Barriers to Pruning at Initialization
von: Kumar, Tanishq, et al.
Veröffentlicht: (2024)

FedSpaLLM: Federated Pruning of Large Language Models
von: Bai, Guangji, et al.
Veröffentlicht: (2024)

Joint Probability Selection and Power Allocation for Federated Learning
von: Marnissi, Ouiame, et al.
Veröffentlicht: (2024)

UnIT: Scalable Unstructured Inference-Time Pruning for MAC-efficient Neural Inference on MCUs
von: Neth, Ashe, et al.
Veröffentlicht: (2025)

Federated Fine-Tuning of LLMs: Framework Comparison and Research Directions
von: Yan, Na, et al.
Veröffentlicht: (2025)

Less is More: Unlocking Specialization of Time Series Foundation Models via Structured Pruning
von: Zhao, Lifan, et al.
Veröffentlicht: (2025)

FedUP: Efficient Pruning-based Federated Unlearning for Model Poisoning Attacks
von: Romandini, Nicolò, et al.
Veröffentlicht: (2025)

Exploiting Adaptive Channel Pruning for Communication-Efficient Split Learning
von: Tan, Jialei, et al.
Veröffentlicht: (2026)

SwiftPrune: Hessian-Free Weight Pruning for Large Language Models
von: Kang, Yuhan, et al.
Veröffentlicht: (2025)

On Importance of Layer Pruning for Smaller BERT Models and Low Resource Languages
von: Shirke, Mayur, et al.
Veröffentlicht: (2025)

Active Budget Allocation for Efficient Scaling Law Estimation via Surrogate-Guided Pruning
von: Schram, Viktoria, et al.
Veröffentlicht: (2026)

CA-HFP: Curvature-Aware Heterogeneous Federated Pruning with Model Reconstruction
von: Hu, Gang, et al.
Veröffentlicht: (2026)

On Importance of Pruning and Distillation for Efficient Low Resource NLP
von: Mirashi, Aishwarya, et al.
Veröffentlicht: (2024)

Sheaf Discovery with Joint Computation Graph Pruning and Flexible Granularity
von: Yu, Lei, et al.
Veröffentlicht: (2024)

FedPaI: Achieving Extreme Sparsity in Federated Learning via Pruning at Initialization
von: Wang, Haonan, et al.
Veröffentlicht: (2025)

Mosaic Pruning: A Hierarchical Framework for Generalizable Pruning of Mixture-of-Experts Models
von: Hu, Wentao, et al.
Veröffentlicht: (2025)