Suche nach Kommunikationskosten

EdgeFLow: Serverlose Federated Learning via sequentielle Modellmigration

In einer wegweisenden Veröffentlichung präsentiert das Forschungsteam EdgeFLow ein neues Federated Learning‑Framework, das die herkömmliche…

arXiv – cs.LG 04.03.2026 05:00

Forschung

FedRot-LoRA: Rotation ausgleichen, Federated LoRA stabilisieren

Federated LoRA hat sich als effiziente Methode etabliert, um große Sprachmodelle auf dezentralen Daten zu verfeinern. In der Praxis führt d…

arXiv – cs.LG 02.03.2026 05:00

Forschung

Potara: Federierte Personalisierung durch effizientes Modell‑Merging

In der Welt der großen Vision‑ und Sprachmodelle ist das Feintuning mit Methoden wie LoRA ein bewährter Weg, um Modelle an spezifische Aufg…

arXiv – cs.LG 24.02.2026 05:00

Forschung

FLoRG: Federiertes Feintuning mit Low‑Rank‑Gram‑Matrizen und Procrustes‑Alignment

Parameter‑effiziente Feintuning‑Methoden wie Low‑Rank‑Adaptation (LoRA) ermöglichen es großen Sprachmodellen, sich schnell an neue Aufgaben…

arXiv – cs.LG 20.02.2026 05:00

Forschung

FedLoRA: Neue Methode verhindert Rang‑Kollaps bei heterogenen Clients

Federated Low‑Rank Adaptation (FedLoRA) hat die Feinabstimmung von Basis‑Modellen in verteilten Lernumgebungen revolutioniert, indem es Kom…

arXiv – cs.LG 17.02.2026 05:00

Forschung

Neuer Algorithmus SPECIAL sichert rückwärts Lernen in federierten Systemen

In realen verteilten Lernsystemen ändern sich die Datenverteilungen ständig, während Datenschutzbestimmungen den Austausch roher Daten verb…

arXiv – cs.LG 02.02.2026 05:00

Forschung

Nezentrales Federated Learning: zweite Ordnung verbessert Konvergenz

Dezentrales Federated Learning (DFL) ermöglicht es Geräten, ohne zentralen Server direkt miteinander zu kommunizieren und gemeinsam ein all…

arXiv – cs.AI 29.01.2026 05:00

Forschung

RefProtoFL: Kommunikationssparendes Federated Learning mit Referenzprototypen

Federated Learning ermöglicht es, Modelle gemeinsam zu trainieren, ohne dass rohe Daten ausgetauscht werden. In ressourcenbeschränkten Edge…

arXiv – cs.LG 22.01.2026 05:00

Forschung

<p>Edge Control Attack: Neue Bedrohung für Ranking‑basiertes Federated Learning</p> <p>Federated Rank Learning (FRL) hat sich als vielversprechendes Paradigma für sichere, dezentrale Modelle etabliert. Durch die Nutzung von diskreten Ranglisten anstelle von kontinuierlichen Gewichtsanpassungen reduziert FRL nicht nur die Kommunikationskosten, sondern erschwert auch Angreifern das Skalieren oder Optimieren schädlicher Updates. Diese Eigenschaften machen FRL besonders attraktiv für sensible Anwendungen wie On

arXiv – cs.LG 22.01.2026 05:00

Forschung

Graph-Pruning senkt Kommunikationsaufwand bei ST‑GNNs für Verkehrsprognosen

Spatio‑Temporal Graph Neural Networks (ST‑GNNs) sind ideal, um hochfrequente Sensordaten aus verteilten Mobilitätssystemen zu verarbeiten…

arXiv – cs.LG 22.12.2025 05:00

Forschung

Effizientes Federated Recommendation: Plug-and-Play PEFT für Embeddings

Mit der zunehmenden Verbreitung von Cloud‑Edge‑Kollaborationen werden Empfehlungssysteme vermehrt in verteilten Umgebungen trainiert. Feder…

arXiv – cs.LG 17.12.2025 05:00

Forschung

CurvaDion: Dynamische Synchronisation reduziert Kommunikation um 99 %

Mit dem exponentiellen Wachstum von Sprachmodellen auf Billionen von Parametern wird das verteilter Training über zahlreiche GPUs unverzich…

arXiv – cs.AI 17.12.2025 05:00

Forschung

BOOST: Beschleunigtes Training für Low‑Rank‑Large‑Language‑Modelle

Die Skalierung von Transformer‑Modellen beim Pre‑Training wird zunehmend durch steigende Rechen- und Kommunikationskosten begrenzt. Low‑Ran…

arXiv – cs.LG 16.12.2025 05:00

Forschung

Neues Federated Distillation-Ansatz reduziert Latenz beim Fahrzeug-Edge-Caching

Ein neuer Ansatz zur Fahrzeug-Edge-Caching-Technologie verspricht, die Wartezeit für Fahrzeugnutzer drastisch zu senken, indem Inhalte, die…

arXiv – cs.LG 11.12.2025 05:00

Forschung

Neuer Ansatz: Adaptive Dataset-Quantisierung reduziert Datensätze drastisch

Ein neues Verfahren zur Dataset‑Quantisierung, vorgestellt auf arXiv, verspricht, die Speicher- und Kommunikationskosten großer Datensätze…

arXiv – cs.AI 09.12.2025 05:00

Forschung

M3fed: Federated Learning für Anomalieerkennung in maritimen Bewegungsdaten

Ein neues arXiv-Papier (2512.04635v1) präsentiert M3fed, eine innovative Lösung für das federated learning von Modellen zur Anomalieerkennu…

arXiv – cs.LG 05.12.2025 05:00

Forschung

FedGen-Edge: Federated Learning für generative KI – weniger Daten, mehr Personalisierung

Ein neues Forschungspapier präsentiert FedGen-Edge, ein Framework, das das Training großer generativer Modelle in federierten, geräteübergr…

arXiv – cs.LG 18.11.2025 05:00

Forschung

Effiziente Federated Learning: Gradient-Projektion reduziert Kommunikation drastisch

Federated Learning (FL) ermöglicht es, Modelle dezentral über mehrere Clients zu trainieren, während die Privatsphäre der Daten gewahrt ble…

arXiv – cs.LG 11.11.2025 05:00

Forschung

Neuer Gradient‑Aware Kompressor reduziert FL-Kommunikationskosten drastisch

Federated Learning (FL) ermöglicht es, Modelle gemeinsam zu trainieren, ohne dass die privaten Daten der Clients offengelegt werden. In der…

arXiv – cs.LG 11.11.2025 05:00

Forschung

Federated mit GAF: Genauigkeit bei privatsphärischer ECG‑Klassifikation auf IoT

In einer wegweisenden Studie wurde ein Federated‑Learning‑Framework entwickelt, das die Klassifikation von Elektrokardiogrammen (ECG) in Io…

arXiv – cs.AI 07.11.2025 05:00

Forschung

FedRP: Effiziente, datenschutzfreundliche Federated Learning-Methode Ein neues Verfahren namens FedRP kombiniert Random Projection mit dem Alternating Direction Method of Multipliers (ADMM), um die Privatsphäre bei federated learning (FL) zu stärken und gleichzeitig die Kommunikationskosten zu senken. Durch die Reduktion der Dimensionalität der Modellparameter vor dem Versand an einen zentralen Server wird die Menge der übertragenen Daten deutlich verringert. FedRP bietet eine starke $(\epsilon, \delta)$-Di

arXiv – cs.LG 15.09.2025 05:00

Forschung

FedUHD: Federated Learning ohne Labels dank Hyperdimensional Computing

Ein neues Verfahren namens FedUHD kombiniert unüberwachtes Federated Learning mit Hyperdimensional Computing (HDC) und löst damit zentrale…

arXiv – cs.LG 19.08.2025 05:00

Finde Modelle, Firmen und Themen

EdgeFLow: Serverlose Federated Learning via sequentielle Modellmigration

FedRot-LoRA: Rotation ausgleichen, Federated LoRA stabilisieren

Potara: Federierte Personalisierung durch effizientes Modell‑Merging

FLoRG: Federiertes Feintuning mit Low‑Rank‑Gram‑Matrizen und Procrustes‑Alignment

FedLoRA: Neue Methode verhindert Rang‑Kollaps bei heterogenen Clients

Neuer Algorithmus SPECIAL sichert rückwärts Lernen in federierten Systemen

Nezentrales Federated Learning: zweite Ordnung verbessert Konvergenz

RefProtoFL: Kommunikationssparendes Federated Learning mit Referenzprototypen

Graph-Pruning senkt Kommunikationsaufwand bei ST‑GNNs für Verkehrsprognosen

Effizientes Federated Recommendation: Plug-and-Play PEFT für Embeddings

CurvaDion: Dynamische Synchronisation reduziert Kommunikation um 99 %

BOOST: Beschleunigtes Training für Low‑Rank‑Large‑Language‑Modelle

Neues Federated Distillation-Ansatz reduziert Latenz beim Fahrzeug-Edge-Caching

Neuer Ansatz: Adaptive Dataset-Quantisierung reduziert Datensätze drastisch

M3fed: Federated Learning für Anomalieerkennung in maritimen Bewegungsdaten

FedGen-Edge: Federated Learning für generative KI – weniger Daten, mehr Personalisierung

Effiziente Federated Learning: Gradient-Projektion reduziert Kommunikation drastisch

Neuer Gradient‑Aware Kompressor reduziert FL-Kommunikationskosten drastisch

Federated mit GAF: Genauigkeit bei privatsphärischer ECG‑Klassifikation auf IoT

FedUHD: Federated Learning ohne Labels dank Hyperdimensional Computing

🍪 Cookie-Einstellungen

CurvaDion: Dynamische Synchronisation reduziert Kommunikation um 99 %