Buchumschlag

When More Parameters Hurt: Foundation Model Priors Amplify Worst-Client Disparity Under Extreme Federated Heterogeneity

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Naseer, Kiran, Shoaib, Umar
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

When More Experts Hurt: Underfitting in Multi-Expert Learning to Defer
von: Liu, Shuqi, et al.
Veröffentlicht: (2026)

Graph Representational Learning: When Does More Expressivity Hurt Generalization?
von: Maskey, Sohir, et al.
Veröffentlicht: (2025)

Honesty in Causal Forests: When It Helps and When It Hurts
von: Hou, Yanfang, et al.
Veröffentlicht: (2025)

FMCL: Class-Aware Client Clustering with Foundation Model Representations for Heterogeneous Federated Learning
von: Ali, Mahad, et al.
Veröffentlicht: (2026)

MedFL-Stress: A Systematic Robustness Evaluation of Federated Brain Tumor Segmentation under Cross-Hospital MRI Appearance Shift
von: Naseer, Kiran, et al.
Veröffentlicht: (2026)

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

Federated Learning with Extremely Noisy Clients via Negative Distillation
von: Lu, Yang, et al.
Veröffentlicht: (2023)

Client Selection for Federated Policy Optimization with Environment Heterogeneity
von: Xie, Zhijie, et al.
Veröffentlicht: (2023)

Communication-Efficient Federated Learning With Data and Client Heterogeneity
von: Zakerinia, Hossein, et al.
Veröffentlicht: (2022)

Federated Linear Contextual Bandits with Heterogeneous Clients
von: Blaser, Ethan, et al.
Veröffentlicht: (2024)

Optimal Client Sampling in Federated Learning with Client-Level Heterogeneous Differential Privacy
von: Xu, Jiahao, et al.
Veröffentlicht: (2025)

The Pitfalls of Memorization: When Memorization Hurts Generalization
von: Bayat, Reza, et al.
Veröffentlicht: (2024)

Personalized One-shot Federated Graph Learning for Heterogeneous Clients
von: Yan, Guochen, et al.
Veröffentlicht: (2024)

Risk-Aware Accelerated Wireless Federated Learning with Heterogeneous Clients
von: Ads, Mohamed, et al.
Veröffentlicht: (2024)

Client Selection in Federated Learning with Data Heterogeneity and Network Latencies
von: Vardhan, Harsh, et al.
Veröffentlicht: (2025)

Knowledge Rumination for Client Utility Evaluation in Heterogeneous Federated Learning
von: Jiang, Xiaorui, et al.
Veröffentlicht: (2023)

Federated Foundation Models on Heterogeneous Time Series
von: Chen, Shengchao, et al.
Veröffentlicht: (2024)

FedConv: A Learning-on-Model Paradigm for Heterogeneous Federated Clients
von: Shen, Leming, et al.
Veröffentlicht: (2025)

The More is not the Merrier: Investigating the Effect of Client Size on Federated Learning
von: Wallach, Eleanor, et al.
Veröffentlicht: (2025)

Adaptive Self-Distillation for Minimizing Client Drift in Heterogeneous Federated Learning
von: Yashwanth, M, et al.
Veröffentlicht: (2023)

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

Evaluating Model Performance Under Worst-case Subpopulations
von: Li, Mike, et al.
Veröffentlicht: (2024)

Synthetic Augmentation in Imbalanced Learning: When It Helps, When It Hurts, and How Much to Add
von: Ma, Zhengchi, et al.
Veröffentlicht: (2026)

Heterogeneity-Aware Client Sampling for Optimal and Efficient Federated Learning
von: Weng, Shudi, et al.
Veröffentlicht: (2025)

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

The Power of Bias: Optimizing Client Selection in Federated Learning with Heterogeneous Differential Privacy
von: Ma, Jiating, et al.
Veröffentlicht: (2024)

ILoRA: Federated Learning with Low-Rank Adaptation for Heterogeneous Client Aggregation
von: Zhou, Junchao, et al.
Veröffentlicht: (2025)

Towards a Larger Model via One-Shot Federated Learning on Heterogeneous Client Models
von: Ye, Wenxuan, et al.
Veröffentlicht: (2025)

When Learning Hurts: Fixed-Pole RNN for Real-Time Online Training
von: Morgan, Alexander, et al.
Veröffentlicht: (2026)

Long-Tail Learning with Foundation Model: Heavy Fine-Tuning Hurts
von: Shi, Jiang-Xin, et al.
Veröffentlicht: (2023)

FedConPE: Efficient Federated Conversational Bandits with Heterogeneous Clients
von: Li, Zhuohua, et al.
Veröffentlicht: (2024)

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

Extra Clients at No Extra Cost: Overcome Data Heterogeneity in Federated Learning with Filter Decomposition
von: Chen, Wei, et al.
Veröffentlicht: (2025)

Heterogeneity-Guided Client Sampling: Towards Fast and Efficient Non-IID Federated Learning
von: Chen, Huancheng, et al.
Veröffentlicht: (2023)

When Correct Demonstrations Hurt: Rethinking the Role of Exemplars in In-Context Learning
von: Qiu, Chenghao, et al.
Veröffentlicht: (2026)

Heterogeneity-Aware Client Selection Methodology For Efficient Federated Learning
von: Balivada, Nihal, et al.
Veröffentlicht: (2026)

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

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

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

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