Buchumschlag

Who Trains Matters: Federated Learning under Enrollment and Participation Selection Biases

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
1. Verfasser:	Morishita, Gota
Format:	Preprint
Veröffentlicht:	2026
Schlagworte:	Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

VFL-RPS: Relevant Participant Selection in Vertical Federated Learning
von: Khan, Afsana, et al.
Veröffentlicht: (2025)

Biased Federated Learning under Wireless Heterogeneity
von: Abrar, Muhammad Faraz Ul, et al.
Veröffentlicht: (2025)

Biased Over-the-Air Federated Learning under Wireless Heterogeneity
von: Abrar, Muhammad Faraz Ul, et al.
Veröffentlicht: (2024)

Federated Learning for Heterogeneous Electronic Health Record Systems with Cost Effective Participant Selection
von: Kim, Jiyoun, et al.
Veröffentlicht: (2024)

Computation-aware Energy-harvesting Federated Learning: Cyclic Scheduling with Selective Participation
von: Jeong, Eunjeong, et al.
Veröffentlicht: (2025)

Accelerating Hybrid Federated Learning Convergence under Partial Participation
von: Bian, Jieming, et al.
Veröffentlicht: (2023)

Cumulative Utility Parity for Fair Federated Learning under Intermittent Client Participation
von: Behfar, Stefan, et al.
Veröffentlicht: (2026)

Controlling Participation in Federated Learning with Feedback
von: Cummins, Michael, et al.
Veröffentlicht: (2024)

FedSUM Family: Efficient Federated Learning Methods under Arbitrary Client Participation
von: You, Runze, et al.
Veröffentlicht: (2025)

Communication-Efficient Federated Learning with Adaptive Number of Participants
von: Skorik, Sergey, et al.
Veröffentlicht: (2025)

How to Evaluate Participant Contributions in Decentralized Federated Learning
von: Anada, Honoka, et al.
Veröffentlicht: (2025)

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

From Biased Selective Labels to Pseudo-Labels: An Expectation-Maximization Framework for Learning from Biased Decisions
von: Chang, Trenton, et al.
Veröffentlicht: (2024)

On the Convergence of Federated Averaging under Partial Participation for Over-parameterized Neural Networks
von: Liu, Xin, et al.
Veröffentlicht: (2023)

FedCLF -- Towards Efficient Participant Selection for Federated Learning in Heterogeneous IoV Networks
von: Wijethilake, Kasun Eranda, et al.
Veröffentlicht: (2025)

Exact and Linear Convergence for Federated Learning under Arbitrary Client Participation is Attainable
von: Ying, Bicheng, et al.
Veröffentlicht: (2025)

Stabilizing Federated Learning under Extreme Heterogeneity with HeteRo-Select
von: Masud, Md. Akmol, et al.
Veröffentlicht: (2025)

Initialization Matters: Unraveling the Impact of Pre-Training on Federated Learning
von: Jhunjhunwala, Divyansh, et al.
Veröffentlicht: (2025)

Embracing Federated Learning: Enabling Weak Client Participation via Partial Model Training
von: Lee, Sunwoo, et al.
Veröffentlicht: (2024)

Server-Proximal Aggregation for Federated Domain-Incremental Learning under Partial Participation: Task-Uniform Convergence and Backward Transfer
von: Xu, Longtao, et al.
Veröffentlicht: (2026)

PFedDST: Personalized Federated Learning with Decentralized Selection Training
von: Fan, Mengchen, et al.
Veröffentlicht: (2025)

Incentive-Aware Federated Averaging with Performance Guarantees under Strategic Participation
von: Maleki, Fateme, et al.
Veröffentlicht: (2026)

Federated Learning by Utility-Constrained Stochastic Aggregation for Improving Rational Participation
von: Yashwanth, M, et al.
Veröffentlicht: (2026)

Contribution Evaluation of Heterogeneous Participants in Federated Learning via Prototypical Representations
von: Guo, Qi, et al.
Veröffentlicht: (2024)

Dynamic Participation in Federated Learning: Benchmarks and a Knowledge Pool Plugin
von: Lee, Ming-Lun, et al.
Veröffentlicht: (2025)

Mitigating Participation Imbalance Bias in Asynchronous Federated Learning
von: Chang, Xiangyu, et al.
Veröffentlicht: (2025)

FedEx: Expediting Federated Learning over Heterogeneous Mobile Devices by Overlapping and Participant Selection
von: Geng, Jiaxiang, et al.
Veröffentlicht: (2024)

Post-Training Embedding Alignment for Decoupling Enrollment and Runtime Speaker Recognition Models
von: Gao, Chenyang, et al.
Veröffentlicht: (2024)

A Practice in Enrollment Prediction with Markov Chain Models
von: Zhao, Yan, et al.
Veröffentlicht: (2024)

Debiasing Federated Learning with Correlated Client Participation
von: Sun, Zhenyu, et al.
Veröffentlicht: (2024)

FedDPC : Handling Data Heterogeneity and Partial Client Participation in Federated Learning
von: Sen, Mrinmay, et al.
Veröffentlicht: (2025)

Federated Learning with Enhanced Privacy via Model Splitting and Random Client Participation
von: Li, Yiwei, et al.
Veröffentlicht: (2025)

Which Rewards Matter? Reward Selection for Reinforcement Learning under Limited Feedback
von: Chaudhari, Shreyas, et al.
Veröffentlicht: (2025)

Online Bandits with (Biased) Offline Data: Adaptive Learning under Distribution Mismatch
von: Cheung, Wang Chi, et al.
Veröffentlicht: (2024)

Balancing Client Participation in Federated Learning Using AoI
von: Javani, Alireza, et al.
Veröffentlicht: (2025)

Behavior-Specific Filtering for Enhanced Pig Behavior Classification in Precision Livestock Farming
von: Zhang, Zhen, et al.
Veröffentlicht: (2025)

FedAdaVR: Adaptive Variance Reduction for Robust Federated Learning under Limited Client Participation
von: Howlader, S M Ruhul Kabir, et al.
Veröffentlicht: (2026)

Who to Trust? Aggregating Client Predictions in Federated Distillation
von: Kovalchuk, Viktor, et al.
Veröffentlicht: (2025)

Enabling Weak Client Participation via On-device Knowledge Distillation in Heterogeneous Federated Learning
von: Lim, Jihyun, et al.
Veröffentlicht: (2025)

Can SGD Select Good Fishermen? Local Convergence under Self-Selection Biases and Beyond
von: Kalavasis, Alkis, et al.
Veröffentlicht: (2025)