Buchumschlag

FedRandom: Sampling Consistent and Accurate Contribution Values in Federated Learning

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Geimer, Arno, Pontiveros, Beltran Fiz, State, Radu
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

Collaborative Batch Size Optimization for Federated Learning
von: Geimer, Arno, et al.
Veröffentlicht: (2025)

BouquetFL: Emulating diverse participant hardware in Federated Learning
von: Geimer, Arno
Veröffentlicht: (2026)

WallStreetFeds: Client-Specific Tokens as Investment Vehicles in Federated Learning
von: Geimer, Arno, et al.
Veröffentlicht: (2025)

FedHB: Hierarchical Bayesian Federated Learning
von: Kim, Minyoung, et al.
Veröffentlicht: (2023)

FedOptima: Optimizing Resource Utilization in Federated Learning
von: Zhang, Zihan, et al.
Veröffentlicht: (2025)

FedAgg: Adaptive Federated Learning with Aggregated Gradients
von: Yuan, Wenhao, et al.
Veröffentlicht: (2023)

FedRIR: Rethinking Information Representation in Federated Learning
von: Huang, Yongqiang, et al.
Veröffentlicht: (2025)

On the Volatility of Shapley-Based Contribution Metrics in Federated Learning
von: Geimer, Arno, et al.
Veröffentlicht: (2024)

FedFetch: Faster Federated Learning with Adaptive Downstream Prefetching
von: Yan, Qifan, et al.
Veröffentlicht: (2025)

Fed-REACT: Federated Representation Learning for Heterogeneous and Evolving Data
von: Chen, Yiyue, et al.
Veröffentlicht: (2025)

FedZero: Leveraging Renewable Excess Energy in Federated Learning
von: Wiesner, Philipp, et al.
Veröffentlicht: (2023)

FedQHD: Closed-Form Function-Space Federated Reinforcement Learning
von: Hou, Yuchen, et al.
Veröffentlicht: (2026)

FedBAT: Communication-Efficient Federated Learning via Learnable Binarization
von: Li, Shiwei, et al.
Veröffentlicht: (2024)

FedFisher: Leveraging Fisher Information for One-Shot Federated Learning
von: Jhunjhunwala, Divyansh, et al.
Veröffentlicht: (2024)

FedOSAA: Improving Federated Learning with One-Step Anderson Acceleration
von: Feng, Xue, et al.
Veröffentlicht: (2025)

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

Trans-XFed: An Explainable Federated Learning for Supply Chain Credit Assessment
von: Shi, Jie, et al.
Veröffentlicht: (2025)

A Survey on Contribution Evaluation in Vertical Federated Learning
von: Cui, Yue, et al.
Veröffentlicht: (2024)

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

FedGMI: Generative Model-Driven Federated Learning for Probabilistic Mixture Inference
von: Hou, Qijun, et al.
Veröffentlicht: (2026)

FedQueue: Queue-Aware Federated Learning for Cross-Facility HPC Training
von: Li, Yijiang, et al.
Veröffentlicht: (2026)

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

FedNS: A Fast Sketching Newton-Type Algorithm for Federated Learning
von: Li, Jian, et al.
Veröffentlicht: (2024)

SyncFed: Time-Aware Federated Learning through Explicit Timestamping and Synchronization
von: Gül, Baran Can, et al.
Veröffentlicht: (2025)

FedGA: A Fair Federated Learning Framework Based on the Gini Coefficient
von: Liu, ShanBin
Veröffentlicht: (2025)

FedORGP: Guiding Heterogeneous Federated Learning with Orthogonality Regularization on Global Prototypes
von: Guo, Fucheng, et al.
Veröffentlicht: (2025)

FedTilt: Towards Multi-Level Fairness-Preserving and Robust Federated Learning
von: Zhang, Binghui, et al.
Veröffentlicht: (2025)

FedBiF: Communication-Efficient Federated Learning via Bits Freezing
von: Li, Shiwei, et al.
Veröffentlicht: (2025)

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

FedAL: Black-Box Federated Knowledge Distillation Enabled by Adversarial Learning
von: Han, Pengchao, et al.
Veröffentlicht: (2023)

FedDD: Toward Communication-efficient Federated Learning with Differential Parameter Dropout
von: Feng, Zhiying, et al.
Veröffentlicht: (2023)

FedEve: On Bridging the Client Drift and Period Drift for Cross-device Federated Learning
von: Shen, Tao, et al.
Veröffentlicht: (2025)

FedSAE: A Novel Self-Adaptive Federated Learning Framework in Heterogeneous Systems
von: Li, Li, et al.
Veröffentlicht: (2021)

DualFed: Enjoying both Generalization and Personalization in Federated Learning via Hierachical Representations
von: Zhu, Guogang, et al.
Veröffentlicht: (2024)

FedGroup: Efficient Clustered Federated Learning via Decomposed Data-Driven Measure
von: Duan, Moming, et al.
Veröffentlicht: (2020)

FedAR: Addressing Client Unavailability in Federated Learning with Local Update Approximation and Rectification
von: Jiang, Chutian, et al.
Veröffentlicht: (2024)

FedTeddi: Temporal Drift and Divergence Aware Scheduling for Timely Federated Edge Learning
von: Bai, Yuxuan, et al.
Veröffentlicht: (2025)

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

FedMSGL: A Self-Expressive Hypergraph Based Federated Multi-View Learning
von: Li, Daoyuan, et al.
Veröffentlicht: (2025)

FedPeWS: Personalized Warmup via Subnetworks for Enhanced Heterogeneous Federated Learning
von: Tastan, Nurbek, et al.
Veröffentlicht: (2024)