Buchumschlag

Federated Customization of Large Models: Approaches, Experiments, and Insights

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Ye, Yuchuan, Ding, Ming, Chen, Youjia, Cheng, Peng, Niyato, Dusit
Format:	Preprint
Veröffentlicht:	2026
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

Hyperdimensional Computing Empowered Federated Foundation Model over Wireless Networks for Metaverse
von: Ding, Yahao, et al.
Veröffentlicht: (2024)

Lightweight Federated Learning over Wireless Edge Networks
von: Hou, Xiangwang, et al.
Veröffentlicht: (2025)

Vertical Federated Learning: Challenges, Methodologies and Experiments
von: Wei, Kang, et al.
Veröffentlicht: (2022)

Robust Model Aggregation for Heterogeneous Federated Learning: Analysis and Optimizations
von: Shao, Yumeng, et al.
Veröffentlicht: (2024)

An Information-Theoretic Analysis for Federated Learning under Concept Drift
von: Peng, Fu, et al.
Veröffentlicht: (2025)

Federated Learning Survey: A Multi-Level Taxonomy of Aggregation Techniques, Experimental Insights, and Future Frontiers
von: Arbaoui, Meriem, et al.
Veröffentlicht: (2025)

DA-PFL: Dynamic Affinity Aggregation for Personalized Federated Learning
von: Yang, Xu, et al.
Veröffentlicht: (2024)

ParaBlock: Communication-Computation Parallel Block Coordinate Federated Learning for Large Language Models
von: Wang, Yujia, et al.
Veröffentlicht: (2025)

A Survey on Federated Fine-tuning of Large Language Models
von: Wu, Yebo, et al.
Veröffentlicht: (2025)

Towards Communication-efficient Federated Learning via Sparse and Aligned Adaptive Optimization
von: Deng, Xiumei, et al.
Veröffentlicht: (2024)

Characterization of Large Language Model Development in the Datacenter
von: Hu, Qinghao, et al.
Veröffentlicht: (2024)

Federated Full-Parameter Tuning of Billion-Sized Language Models with Communication Cost under 18 Kilobytes
von: Qin, Zhen, et al.
Veröffentlicht: (2023)

Network Edge Inference for Large Language Models: Principles, Techniques, and Opportunities
von: Chen, Zhixiong, et al.
Veröffentlicht: (2026)

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

Towards Sustainable Large Language Model Serving
von: Nguyen, Sophia, et al.
Veröffentlicht: (2024)

Empowering Federated Learning for Massive Models with NVIDIA FLARE
von: Roth, Holger R., et al.
Veröffentlicht: (2024)

GradualDiff-Fed: A Federated Learning Specialized Framework for Large Language Model
von: Faiyaz, Amir, et al.
Veröffentlicht: (2025)

DPMM-CFL: Clustered Federated Learning via Dirichlet Process Mixture Model Nonparametric Clustering
von: Jaramillo-Civill, Mariona, et al.
Veröffentlicht: (2025)

Energy Efficient Federated Learning with Hyperdimensional Computing over Wireless Communication Networks
von: Ding, Yahao, et al.
Veröffentlicht: (2026)

AdaptiveFL: Adaptive Heterogeneous Federated Learning for Resource-Constrained AIoT Systems
von: Jia, Chentao, et al.
Veröffentlicht: (2023)

Adaptive Federated Learning via New Entropy Approach
von: Zheng, Shensheng, et al.
Veröffentlicht: (2023)

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

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

Hypernetworks for Model-Heterogeneous Personalized Federated Learning
von: Zhang, Chen, et al.
Veröffentlicht: (2025)

Communication Efficient and Provable Federated Unlearning
von: Tao, Youming, et al.
Veröffentlicht: (2024)

A Universal Load Balancing Principle and Its Application to Large Language Model Serving
von: Chen, Zixi, et al.
Veröffentlicht: (2026)

FedOBD: Opportunistic Block Dropout for Efficiently Training Large-scale Neural Networks through Federated Learning
von: Chen, Yuanyuan, et al.
Veröffentlicht: (2022)

FLoRA: Federated Fine-Tuning Large Language Models with Heterogeneous Low-Rank Adaptations
von: Wang, Ziyao, et al.
Veröffentlicht: (2024)

A Bayesian Framework for Clustered Federated Learning
von: Wu, Peng, et al.
Veröffentlicht: (2024)

Incentive-Compatible Federated Learning with Stackelberg Game Modeling
von: Javaherian, Simin, et al.
Veröffentlicht: (2025)

Learnable Sparse Customization in Heterogeneous Edge Computing
von: Xue, Jingjing, et al.
Veröffentlicht: (2024)

Two-Timescale Model Caching and Resource Allocation for Edge-Enabled AI-Generated Content Services
von: Liu, Zhang, et al.
Veröffentlicht: (2024)

Optimizing Large Model Training through Overlapped Activation Recomputation
von: Chen, Ping, et al.
Veröffentlicht: (2024)

Knowledge-driven Reasoning for Mobile Agentic AI: Concepts, Approaches, and Directions
von: Liu, Guangyuan, et al.
Veröffentlicht: (2026)

Convergence Analysis of Split Federated Learning on Heterogeneous Data
von: Han, Pengchao, et al.
Veröffentlicht: (2024)

Exploring Selective Layer Fine-Tuning in Federated Learning
von: Sun, Yuchang, et al.
Veröffentlicht: (2024)

Have Your Cake and Eat It Too: Toward Efficient and Accurate Split Federated Learning
von: Yan, Dengke, et al.
Veröffentlicht: (2023)

Caesar: A Low-deviation Compression Approach for Efficient Federated Learning
von: Yan, Jiaming, et al.
Veröffentlicht: (2024)

GPFL: A Gradient Projection-Based Client Selection Framework for Efficient Federated Learning
von: Na, Shijie, et al.
Veröffentlicht: (2024)

PraFFL: A Preference-Aware Scheme in Fair Federated Learning
von: Ye, Rongguang, et al.
Veröffentlicht: (2024)