Buchumschlag

QuantFL: Sustainable Federated Learning for Edge IoT via Pre-Trained Model Quantisation

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Herath, Charuka, Rahulamathavan, Yogachandran, De Silva, Varuna, Lambotharan, Sangarapillai
Format:	Preprint
Veröffentlicht:	2026
Schlagworte:	Machine Learning Artificial Intelligence
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

DSFL: A Dual-Server Byzantine-Resilient Federated Learning Framework via Group-Based Secure Aggregation
von: Herath, Charuka, et al.
Veröffentlicht: (2025)

FheFL: Fully Homomorphic Encryption Friendly Privacy-Preserving Federated Learning with Byzantine Users
von: Rahulamathavan, Yogachandran, et al.
Veröffentlicht: (2023)

Enhancing Federated Learning Convergence with Dynamic Data Queue and Data Entropy-driven Participant Selection
von: Herath, Charuka, et al.
Veröffentlicht: (2024)

Orthogonal Subspace Projection for Continual Machine Unlearning via SVD-Based LoRA
von: Rahulamathavan, Yogachandran, et al.
Veröffentlicht: (2026)

PLEX: Perturbation-free Local Explanations for LLM-Based Text Classification
von: Rahulamathavan, Yogachandran, et al.
Veröffentlicht: (2025)

Attention-based Adversarial Robust Distillation in Radio Signal Classifications for Low-Power IoT Devices
von: Zhang, Lu, et al.
Veröffentlicht: (2025)

A Neural Rejection System Against Universal Adversarial Perturbations in Radio Signal Classification
von: Zhang, Lu, et al.
Veröffentlicht: (2025)

Maximizing Uncertainty for Federated learning via Bayesian Optimisation-based Model Poisoning
von: Aristodemou, Marios, et al.
Veröffentlicht: (2025)

A Hybrid Training-time and Run-time Defense Against Adversarial Attacks in Modulation Classification
von: Zhang, Lu, et al.
Veröffentlicht: (2024)

VARS-FL: Validation-Aligned Client Selection for Non-IID Federated Learning in IoT Systems
von: Lakas, Mohamed, et al.
Veröffentlicht: (2026)

Multi-Agent Reinforcement Learning Counteracts Delayed CSI in Multi-Satellite Systems
von: Aristodemou, Marios, et al.
Veröffentlicht: (2026)

Recommending Pre-Trained Models for IoT Devices
von: Patil, Parth V., et al.
Veröffentlicht: (2024)

Countermeasures Against Adversarial Examples in Radio Signal Classification
von: Zhang, Lu, et al.
Veröffentlicht: (2024)

CyclicFL: A Cyclic Model Pre-Training Approach to Efficient Federated Learning
von: Zhang, Pengyu, et al.
Veröffentlicht: (2023)

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

XAI-SOH-FL: Enhancing SOH-FL with Adaptive Aggregation and Explainable AI for Intrusion Detection in Heterogeneous IoT
von: Aslam, Ambreen, et al.
Veröffentlicht: (2026)

A Cutting-Edge Deep Learning Method For Enhancing IoT Security
von: Ansar, Nadia, et al.
Veröffentlicht: (2024)

Vision Transformer with Adversarial Indicator Token against Adversarial Attacks in Radio Signal Classifications
von: Zhang, Lu, et al.
Veröffentlicht: (2025)

Towards a Transformer-Based Pre-trained Model for IoT Traffic Classification
von: Bazaluk, Bruna, et al.
Veröffentlicht: (2024)

Shaping the Future of IoT with Edge Intelligence
Veröffentlicht: (2023)

GeFL: Model-Agnostic Federated Learning with Generative Models
von: Kang, Honggu, et al.
Veröffentlicht: (2024)

Squat: Quant Small Language Models on the Edge
von: Shen, Xuan, et al.
Veröffentlicht: (2024)

LLMs meet Federated Learning for Scalable and Secure IoT Management
von: Otoum, Yazan, et al.
Veröffentlicht: (2025)

Hybrid Machine Learning Models for Intrusion Detection in IoT: Leveraging a Real-World IoT Dataset
von: Akif, Md Ahnaf, et al.
Veröffentlicht: (2025)

TinyML-Enabled IoT for Sustainable Precision Irrigation
von: Taueatsoala, Kamogelo, et al.
Veröffentlicht: (2026)

Leveraging Machine Learning for Botnet Attack Detection in Edge-Computing Assisted IoT Networks
von: Rupanetti, Dulana, et al.
Veröffentlicht: (2025)

Modeling Quantum Federated Autoencoder for Anomaly Detection in IoT Networks
von: Chaudhary, Devashish, et al.
Veröffentlicht: (2026)

Large Language Models (LLMs) for Semantic Communication in Edge-based IoT Networks
von: Kalita, Alakesh
Veröffentlicht: (2024)

An Efficient Unsupervised Federated Learning Approach for Anomaly Detection in Heterogeneous IoT Networks
von: Tajgardan, Mohsen, et al.
Veröffentlicht: (2026)

IP-FL: Incentivized and Personalized Federated Learning
von: Khan, Ahmad Faraz, et al.
Veröffentlicht: (2023)

Enhancing IoT Security Against DDoS Attacks through Federated Learning
von: Shirvani, Ghazaleh, et al.
Veröffentlicht: (2024)

AugFL: Augmenting Federated Learning with Pretrained Models
von: Yue, Sheng, et al.
Veröffentlicht: (2025)

Federated Quantum Kernel Learning for Anomaly Detection in Multivariate IoT Time-Series
von: Chen, Kuan-Cheng, et al.
Veröffentlicht: (2025)

OptiFLIDS: Optimized Federated Learning for Energy-Efficient Intrusion Detection in IoT
von: Elouardi, Saida, et al.
Veröffentlicht: (2025)

IoT-MCP: Bridging LLMs and IoT Systems Through Model Context Protocol
von: Yang, Ningyuan, et al.
Veröffentlicht: (2025)

SliderQuant: Accurate Post-Training Quantization for LLMs
von: Wang, Shigeng, et al.
Veröffentlicht: (2026)

NeFL: Nested Model Scaling for Federated Learning with System Heterogeneous Clients
von: Kang, Honggu, et al.
Veröffentlicht: (2023)

Towards Sustainable IoT: Challenges, Solutions, and Future Directions for Device Longevity
von: Shirvani, Ghazaleh, et al.
Veröffentlicht: (2024)

FedCCA: Client-Centric Adaptation against Data Heterogeneity in Federated Learning on IoT Devices
von: Wang, Kaile, et al.
Veröffentlicht: (2026)

OledFL: Unleashing the Potential of Decentralized Federated Learning via Opposite Lookahead Enhancement
von: Li, Qinglun, et al.
Veröffentlicht: (2024)