Buchumschlag

COSMOS: Model-Agnostic Personalized Federated Learning with Clustered Server Models and Pseudo-Label-Only Communication

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Rachmut, Ben, Ge, Luise, Yeoh, William, Zhang, Ning, Vorobeychik, Yevgeniy
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

Learned Neighbor Trust for Collaborative Deployment in Model-Agnostic Decentralized Learning
von: Lanier, Michael, et al.
Veröffentlicht: (2026)

Learning Linear Utility Functions From Pairwise Comparison Queries
von: Ge, Luise, et al.
Veröffentlicht: (2024)

Learning Policy Committees for Effective Personalization in MDPs with Diverse Tasks
von: Ge, Luise, et al.
Veröffentlicht: (2025)

Verified Safe Reinforcement Learning for Neural Network Dynamic Models
von: Wu, Junlin, et al.
Veröffentlicht: (2024)

Protecting Language Models Against Unauthorized Distillation through Trace Rewriting
von: Ma, Xinhang, et al.
Veröffentlicht: (2026)

A Scalable Approach to Solving Simulation-Based Network Security Games
von: Lanier, Michael, et al.
Veröffentlicht: (2026)

Preference Poisoning Attacks on Reward Model Learning
von: Wu, Junlin, et al.
Veröffentlicht: (2024)

Active Target Discovery under Uninformative Prior: The Power of Permanent and Transient Memory
von: Sarkar, Anindya, et al.
Veröffentlicht: (2025)

Low Rank Adaptation for Adversarial Perturbation
von: Liu, Han, et al.
Veröffentlicht: (2026)

Online Feedback Efficient Active Target Discovery in Partially Observable Environments
von: Sarkar, Anindya, et al.
Veröffentlicht: (2025)

CoFineLLM: Conformal Finetuning of LLMs for Language-Instructed Robot Planning
von: Wang, Jun, et al.
Veröffentlicht: (2025)

Mind the (DH) Gap! A Contrast in Risky Choices Between Reasoning and Conversational LLMs
von: Ge, Luise, et al.
Veröffentlicht: (2026)

Robust Graph Contrastive Learning with Information Restoration
von: Zhu, Yulin, et al.
Veröffentlicht: (2023)

Learning Interpretable Policies in Hindsight-Observable POMDPs through Partially Supervised Reinforcement Learning
von: Lanier, Michael, et al.
Veröffentlicht: (2024)

Latency-Aware 2-Opt Monotonic Local Search for Distributed Constraint Optimization
von: Rachmut, Ben, et al.
Veröffentlicht: (2025)

Multi-Agent Reinforcement Learning for Assessing False-Data Injection Attacks on Transportation Networks
von: Eghtesad, Taha, et al.
Veröffentlicht: (2023)

Optimized Distortion in Linear Social Choice
von: Ge, Luise, et al.
Veröffentlicht: (2025)

Axioms for AI Alignment from Human Feedback
von: Ge, Luise, et al.
Veröffentlicht: (2024)

Adversarial Machine Unlearning
von: Di, Zonglin, et al.
Veröffentlicht: (2024)

EcoLoRA: Communication-Efficient Federated Fine-Tuning of Large Language Models
von: Liu, Han, et al.
Veröffentlicht: (2025)

Federated Learning with Only Positive Labels by Exploring Label Correlations
von: An, Xuming, et al.
Veröffentlicht: (2024)

To Give or Not to Give? The Impacts of Strategically Withheld Recourse
von: Chen, Yatong, et al.
Veröffentlicht: (2025)

A Lagrangian Time-Series Machine Learning Framework for Predicting Concentrations and Exploring Drivers of Atmospheric Aerosols: Model Development and Application to Cloud Condensation Nuclei in Marine Boundary Layer
von: Zhou, Shengqian, et al.
Veröffentlicht: (2026)

Attacks on Node Attributes in Graph Neural Networks
von: Xu, Ying, et al.
Veröffentlicht: (2024)

Communication-Efficient Federated Learning through Adaptive Weight Clustering and Server-Side Distillation
von: Tsouvalas, Vasileios, et al.
Veröffentlicht: (2024)

One-Shot Clustering for Federated Learning Under Clustering-Agnostic Assumption
von: Zuziak, Maciej Krzysztof, et al.
Veröffentlicht: (2025)

Dataset Representativeness and Downstream Task Fairness
von: Borza, Victor, et al.
Veröffentlicht: (2024)

Linear Social Choice with Few Queries: A Moment-Based Approach
von: Ge, Luise, et al.
Veröffentlicht: (2026)

Balancing Label Imbalance in Federated Environments Using Only Mixup and Artificially-Labeled Noise
von: Sang, Kyle, et al.
Veröffentlicht: (2024)

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

Reduction-based Pseudo-label Generation for Instance-dependent Partial Label Learning
von: Qiao, Congyu, et al.
Veröffentlicht: (2024)

Label-Agnostic Forgetting: A Supervision-Free Unlearning in Deep Models
von: Shen, Shaofei, et al.
Veröffentlicht: (2024)

Little is Enough: Boosting Privacy by Sharing Only Hard Labels in Federated Semi-Supervised Learning
von: Abourayya, Amr, et al.
Veröffentlicht: (2023)

Differentially Private Federated $k$-Means Clustering with Server-Side Data
von: Scott, Jonathan, et al.
Veröffentlicht: (2025)

FedMMKT:Co-Enhancing a Server Text-to-Image Model and Client Task Models in Multi-Modal Federated Learning
von: He, Ningxin, et al.
Veröffentlicht: (2025)

DECAF: Learning to be Fair in Multi-agent Resource Allocation
von: Kumar, Ashwin, et al.
Veröffentlicht: (2025)

Cooperative Pseudo Labeling for Unsupervised Federated Classification
von: Guo, Kuangpu, et al.
Veröffentlicht: (2025)

Curriculum Learning and Pseudo-Labeling Improve the Generalization of Multi-Label Arabic Dialect Identification Models
von: Mekky, Ali, et al.
Veröffentlicht: (2026)

Is Aggregation the Only Choice? Federated Learning via Layer-wise Model Recombination
von: Hu, Ming, et al.
Veröffentlicht: (2023)

Federated Learning via Variational Bayesian Inference: Personalization, Sparsity and Clustering
von: Zhang, Xu, et al.
Veröffentlicht: (2023)