Buchumschlag

Privacy-preserving Chunk Scheduling in a BitTorrent Implementation of Federated Learning

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Li, Naicheng, Dogani, Javad, Wang, Rui, Liang, Kaitai, Laoutaris, Nikolaos
Format:	Preprint
Veröffentlicht:	2026
Schlagworte:	Distributed, Parallel, and Cluster Computing
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

ParaAegis: Parallel Protection for Flexible Privacy-preserved Federated Learning
von: Wu, Zihou, et al.
Veröffentlicht: (2025)

FLMarket: Enabling Privacy-preserved Pre-training Data Pricing for Federated Learning
von: Wen, Zhenyu, et al.
Veröffentlicht: (2024)

One-Bit Model Aggregation for Differentially Private and Byzantine-Robust Personalized Federated Learning
von: Lan, Muhang, et al.
Veröffentlicht: (2025)

Efficient Long Context Fine-tuning with Chunk Flow
von: Yuan, Xiulong, et al.
Veröffentlicht: (2025)

Improving LoRA in Privacy-preserving Federated Learning
von: Sun, Youbang, et al.
Veröffentlicht: (2024)

PPFPL: Cross-silo Privacy-preserving Federated Prototype Learning Against Data Poisoning Attacks
von: Zhang, Hongliang, et al.
Veröffentlicht: (2025)

Experiences Building Enterprise-Level Privacy-Preserving Federated Learning to Power AI for Science
von: Li, Zilinghan, et al.
Veröffentlicht: (2025)

FedBiF: Communication-Efficient Federated Learning via Bits Freezing
von: Li, Shiwei, et al.
Veröffentlicht: (2025)

Vectorized Sequence-Based Chunking for Data Deduplication
von: Udayashankar, Sreeharsha, et al.
Veröffentlicht: (2025)

A Knowledge Distillation-empowered Adaptive Federated Reinforcement Learning Framework for Multi-Domain IoT Applications Scheduling
von: Wang, Zhiyu, et al.
Veröffentlicht: (2025)

Megha: Decentralized Global Fair Scheduling for Federated Clusters
von: Thiyyakat, Meghana, et al.
Veröffentlicht: (2021)

Eventually-Consistent Federated Scheduling for Data Center Workloads
von: Thiyyakat, Meghana, et al.
Veröffentlicht: (2023)

Enhancing Convergence, Privacy and Fairness for Wireless Personalized Federated Learning: Quantization-Assisted Min-Max Fair Scheduling
von: Zhao, Xiyu, et al.
Veröffentlicht: (2025)

Robust and Scalable Renaming with Subquadratic Bits
von: Bai, Sirui, et al.
Veröffentlicht: (2025)

FLea: Addressing Data Scarcity and Label Skew in Federated Learning via Privacy-preserving Feature Augmentation
von: Xia, Tong, et al.
Veröffentlicht: (2024)

Efficient Data Labeling and Optimal Device Scheduling in HWNs Using Clustered Federated Semi-Supervised Learning
von: Hamood, Moqbel, et al.
Veröffentlicht: (2024)

A Thorough Investigation of Content-Defined Chunking Algorithms for Data Deduplication
von: Gregoriadis, Marcel, et al.
Veröffentlicht: (2024)

Learning to Schedule: A Supervised Learning Framework for Network-Aware Scheduling of Data-Intensive Workloads
von: Timilsina, Sankalpa, et al.
Veröffentlicht: (2025)

On the Bit Complexity of Iterated Memory
von: Toyos-Marfurt, Guillermo, et al.
Veröffentlicht: (2024)

RingAda: Pipelining Large Model Fine-Tuning on Edge Devices with Scheduled Layer Unfreezing
von: Li, Liang, et al.
Veröffentlicht: (2025)

Memory-Efficient Split Federated Learning for LLM Fine-Tuning on Heterogeneous Mobile Devices
von: Chen, Xiaopei, et al.
Veröffentlicht: (2025)

Constrained Over-the-Air Model Updating for Wireless Online Federated Learning with Delayed Information
von: Wang, Juncheng, et al.
Veröffentlicht: (2025)

Prioritizing Modalities: Flexible Importance Scheduling in Federated Multimodal Learning
von: Bian, Jieming, et al.
Veröffentlicht: (2024)

DPBalance: Efficient and Fair Privacy Budget Scheduling for Federated Learning as a Service
von: Liu, Yu, et al.
Veröffentlicht: (2024)

FeedSign: Robust Full-parameter Federated Fine-tuning of Large Models with Extremely Low Communication Overhead of One Bit
von: Cai, Zhijie, et al.
Veröffentlicht: (2025)

Privacy-Preserving Federated Heavy Hitter Analytics for Non-IID Data
von: Shao, Jiaqi, et al.
Veröffentlicht: (2023)

Distributed Renaming with Subquadratic Bits via Scalable Committee Election
von: Bai, Sirui, et al.
Veröffentlicht: (2026)

Scheduling for On-Board Federated Learning with Satellite Clusters
von: Razmi, Nasrin, et al.
Veröffentlicht: (2024)

Deep Reinforcement Learning-based Methods for Resource Scheduling in Cloud Computing: A Review and Future Directions
von: Zhou, Guangyao, et al.
Veröffentlicht: (2021)

ChunkFlow: Communication-Aware Chunked Prefetching for Layerwise Offloading in Distributed Diffusion Transformer Inference
von: Meng, Han, et al.
Veröffentlicht: (2026)

Rubick: Exploiting Job Reconfigurability for Deep Learning Cluster Scheduling
von: Zhang, Xinyi, et al.
Veröffentlicht: (2024)

A Reinforcement Learning-Driven Task Scheduling Algorithm for Multi-Tenant Distributed Systems
von: Zhang, Xiaopei, et al.
Veröffentlicht: (2025)

A HPC Co-Scheduler with Reinforcement Learning
von: Souza, Abel, et al.
Veröffentlicht: (2024)

Federated Semi-Supervised and Semi-Asynchronous Learning for Anomaly Detection in IoT Networks
von: Zhai, Wenbin, et al.
Veröffentlicht: (2023)

Torrent: A Distributed DMA for Efficient and Flexible Point-to-Multipoint Data Movement
von: Deng, Yunhao, et al.
Veröffentlicht: (2025)

Communication-Efficient Device Scheduling for Federated Learning Using Lyapunov Optimization
von: Perazzone, Jake B., et al.
Veröffentlicht: (2025)

Syncopate: Efficient Multi-GPU AI Kernels via Automatic Chunk-Centric Compute-Communication Overlap
von: Qiang, Xinwei, et al.
Veröffentlicht: (2026)

BFLN: A Blockchain-based Federated Learning Model for Non-IID Data
von: Li, Yang, et al.
Veröffentlicht: (2024)

Scheduling Deep Learning Jobs in Multi-Tenant GPU Clusters via Wise Resource Sharing
von: Luo, Yizhou, et al.
Veröffentlicht: (2024)

FWeb3: A Practical Incentive-Aware Federated Learning Framework
von: Yan, Peishen, et al.
Veröffentlicht: (2026)