Buchumschlag

Heterogeneity-Aware Client Selection Methodology For Efficient Federated Learning

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Balivada, Nihal, Gupta, Shrey, Bhatt, Shashank Shreedhar, Gupta, Suyash
Format:	Preprint
Veröffentlicht:	2026
Schlagworte:	Distributed, Parallel, and Cluster Computing Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

CHASe: Client Heterogeneity-Aware Data Selection for Effective Federated Active Learning
von: Zhang, Jun, et al.
Veröffentlicht: (2025)

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

Greedy Shapley Client Selection for Communication-Efficient Federated Learning
von: Singhal, Pranava, et al.
Veröffentlicht: (2023)

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

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

FedHFT: Efficient Federated Finetuning with Heterogeneous Edge Clients
von: Ilhan, Fatih, et al.
Veröffentlicht: (2025)

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

FedCompass: Efficient Cross-Silo Federated Learning on Heterogeneous Client Devices using a Computing Power Aware Scheduler
von: Li, Zilinghan, et al.
Veröffentlicht: (2023)

Efficient Client Selection in Federated Learning
von: Marfo, William, et al.
Veröffentlicht: (2025)

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

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

Tackling Selfish Clients in Federated Learning
von: Augello, Andrea, et al.
Veröffentlicht: (2024)

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

Federated Learning under Periodic Client Participation and Heterogeneous Data: A New Communication-Efficient Algorithm and Analysis
von: Crawshaw, Michael, et al.
Veröffentlicht: (2024)

Fed-pilot: Optimizing LoRA Allocation for Efficient Federated Fine-Tuning with Heterogeneous Clients
von: Zhang, Zikai, 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)

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

Data Heterogeneity-Aware Client Selection for Federated Learning in Wireless Networks
von: Yang, Yanbing, et al.
Veröffentlicht: (2025)

Efficient Federated Learning against Heterogeneous and Non-stationary Client Unavailability
von: Xiang, Ming, et al.
Veröffentlicht: (2024)

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

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

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)

Adaptive Client Selection via Q-Learning-based Whittle Index in Wireless Federated Learning
von: Li, Qiyue, et al.
Veröffentlicht: (2025)

Towards Seamless Hierarchical Federated Learning under Intermittent Client Participation: A Stagewise Decision-Making Methodology
von: Wu, Minghong, et al.
Veröffentlicht: (2025)

Reducing Communication Overhead in Federated Learning for Network Anomaly Detection with Adaptive Client Selection
von: Marfo, William, et al.
Veröffentlicht: (2025)

Lynx: Enabling Efficient MoE Inference through Dynamic Batch-Aware Expert Selection
von: Gupta, Vima, et al.
Veröffentlicht: (2024)

Breaking the Prototype Bias Loop: Confidence-Aware Federated Contrastive Learning for Highly Imbalanced Clients
von: Wu, Tian-Shuang, et al.
Veröffentlicht: (2026)

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)

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

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

Resource-Aware Aggregation and Sparsification in Heterogeneous Ensemble Federated Learning
von: Ryum, Keumseo, et al.
Veröffentlicht: (2025)

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)

An Efficient Subspace Algorithm for Federated Learning on Heterogeneous Data
von: Zhang, Jiaojiao, et al.
Veröffentlicht: (2025)

Towards Robust and Efficient Federated Low-Rank Adaptation with Heterogeneous Clients
von: Koo, Jabin, 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)

Apodotiko: Enabling Efficient Serverless Federated Learning in Heterogeneous Environments
von: Chadha, Mohak, et al.
Veröffentlicht: (2024)

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