:: Library Catalog

Buchumschlag

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Ali, Mahad, Brattain, Laura J.
Format:	Preprint
Veröffentlicht:	2026
Schlagworte:	Machine Learning Computer Vision and Pattern Recognition
Online-Zugang:	https://arxiv.org/abs/2604.27510
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

T2ID-CAS: Diffusion Model and Class Aware Sampling to Mitigate Class Imbalance in Neck Ultrasound Anatomical Landmark Detection
von: Varaganti, Manikanta, et al.
Veröffentlicht: (2025)

Resource-Aware Heterogeneous Federated Learning using Neural Architecture Search
von: Yu, Sixing, et al.
Veröffentlicht: (2022)

Robust Asymmetric Heterogeneous Federated Learning with Corrupted Clients
von: Fang, Xiuwen, et al.
Veröffentlicht: (2025)

C^2Prompt: Class-aware Client Knowledge Interaction for Federated Continual Learning
von: Xu, Kunlun, et al.
Veröffentlicht: (2025)

Recurrent Early Exits for Federated Learning with Heterogeneous Clients
von: Lee, Royson, et al.
Veröffentlicht: (2024)

CAPT: Class-Aware Prompt Tuning for Federated Long-Tailed Learning with Vision-Language Model
von: Hou, Shihao, et al.
Veröffentlicht: (2025)

Taming Cross-Domain Representation Variance in Federated Prototype Learning with Heterogeneous Data Domains
von: Wang, Lei, et al.
Veröffentlicht: (2024)

Enhancing Federated Quadruplet Learning: Stochastic Client Selection and Embedding Stability Analysis
von: Goksu, Ozgu, et al.
Veröffentlicht: (2026)

FedHCA$^2$: Towards Hetero-Client Federated Multi-Task Learning
von: Lu, Yuxiang, et al.
Veröffentlicht: (2023)

Class-wise Balancing Data Replay for Federated Class-Incremental Learning
von: Qi, Zhuang, et al.
Veröffentlicht: (2025)

Federated Joint Learning for Domain and Class Generalization
von: Xu, Haoran, et al.
Veröffentlicht: (2026)

One-Shot Heterogeneous Federated Learning with Local Model-Guided Diffusion Models
von: Yang, Mingzhao, et al.
Veröffentlicht: (2023)

SelfFed: Self-Supervised Federated Learning for Data Heterogeneity and Label Scarcity in Medical Images
von: Khowaja, Sunder Ali, et al.
Veröffentlicht: (2023)

Learning Unlabeled Clients Divergence for Federated Semi-Supervised Learning via Anchor Model Aggregation
von: Elbatel, Marawan, et al.
Veröffentlicht: (2024)

Exploring Vacant Classes in Label-Skewed Federated Learning
von: Guo, Kuangpu, et al.
Veröffentlicht: (2024)

FedDiff: Diffusion Model Driven Federated Learning for Multi-Modal and Multi-Clients
von: Li, DaiXun, et al.
Veröffentlicht: (2023)

Recommender Engine Driven Client Selection in Federated Brain Tumor Segmentation
von: Khan, Muhammad Irfan, et al.
Veröffentlicht: (2024)

An Aggregation-Free Federated Learning for Tackling Data Heterogeneity
von: Wang, Yuan, et al.
Veröffentlicht: (2024)

Closer to Reality: Practical Semi-Supervised Federated Learning for Foundation Model Adaptation
von: Sun, Guangyu, et al.
Veröffentlicht: (2025)

Exploring Parameter-Efficient Fine-Tuning to Enable Foundation Models in Federated Learning
von: Sun, Guangyu, et al.
Veröffentlicht: (2022)

Robust Federated Learning against Noisy Clients via Masked Optimization
von: Jiang, Xuefeng, et al.
Veröffentlicht: (2025)

Learning Unified Representations from Heterogeneous Data for Robust Heart Rate Modeling
von: Huang, Zhengdong, et al.
Veröffentlicht: (2025)

When Classes Evolve: A Benchmark and Framework for Stage-Aware Class-Incremental Learning
von: Zhang, Zheng, et al.
Veröffentlicht: (2026)

From Optimization to Generalization: Fair Federated Learning against Quality Shift via Inter-Client Sharpness Matching
von: Wu, Nannan, et al.
Veröffentlicht: (2024)

F$^3$OCUS -- Federated Finetuning of Vision-Language Foundation Models with Optimal Client Layer Updating Strategy via Multi-objective Meta-Heuristics
von: Saha, Pramit, et al.
Veröffentlicht: (2024)

Domain-Aware Fine-Tuning of Foundation Models
von: Kaplan, Ugur Ali, et al.
Veröffentlicht: (2024)

Foundation Model Makes Clustering A Better Initialization For Cold-Start Active Learning
von: Yuan, Han, et al.
Veröffentlicht: (2024)

FeCAM: Exploiting the Heterogeneity of Class Distributions in Exemplar-Free Continual Learning
von: Goswami, Dipam, et al.
Veröffentlicht: (2023)

REAL: Representation Enhanced Analytic Learning for Exemplar-free Class-incremental Learning
von: He, Run, et al.
Veröffentlicht: (2024)

Clustering-friendly Representation Learning for Enhancing Salient Features
von: Oshima, Toshiyuki, et al.
Veröffentlicht: (2024)

Federated Learning Client Pruning for Noisy Labels
von: Morafah, Mahdi, et al.
Veröffentlicht: (2024)

Federated Learning With Individualized Privacy Through Client Sampling
von: Lange, Lucas, et al.
Veröffentlicht: (2025)

Neural Prior Estimation: Learning Class Priors from Latent Representations
von: Yavari, Masoud, et al.
Veröffentlicht: (2026)

Class-Incremental Learning with CLIP: Adaptive Representation Adjustment and Parameter Fusion
von: Huang, Linlan, et al.
Veröffentlicht: (2024)

FedHENet: A Frugal Federated Learning Framework for Heterogeneous Environments
von: Dopico-Castro, Alejandro, et al.
Veröffentlicht: (2026)

FedQuad: Federated Stochastic Quadruplet Learning to Mitigate Data Heterogeneity
von: Goksu, Ozgu, et al.
Veröffentlicht: (2025)

Federated Learning from Vision-Language Foundation Models: Theoretical Analysis and Method
von: Pan, Bikang, et al.
Veröffentlicht: (2024)

Hyperbolic Enhanced Representation Learning for Incomplete Multi-view Clustering
von: Chen, Tianyi, et al.
Veröffentlicht: (2026)

PolygonGNN: Representation Learning for Polygonal Geometries with Heterogeneous Visibility Graph
von: Yu, Dazhou, et al.
Veröffentlicht: (2024)

Which Client is Reliable?: A Reliable and Personalized Prompt-based Federated Learning for Medical Image Question Answering
von: Zhu, He, et al.
Veröffentlicht: (2024)