Towards Vox Populi in Federated Learning: A Fair and Inclusive Client Selection Framework

Sarhad Arisdakessian, Osama Wehbi, Omar Abdul Wahab, Azzam Mourad, Hadi Otrok

Article de revue (2025)

Accéder à ce document
Lien externe
Ce document n'est pas archivé dans PolyPublie, mais peut être consulté chez l'éditeur officiel
Voir chez l'éditeur officiel

Mots clés

Département:
Département de génie informatique et génie logiciel
Adresse URL de PolyPublie:
https://publications.polymtl.ca/68745/
Titre de la revue :
IEEE Transactions on Artificial Intelligence ( vol. 1 )
Maison d'édition:
Institute of Electrical and Electronics Engineers
DOI:
10.1109/tai.2025.3609733
URL officielle:
https://doi.org/10.1109/tai.2025.3609733
OAI:
oai:publications.polymtl.ca:68745
ORCID
Date du dépôt:
22 sept. 2025 11:27
Dernière modification:
29 oct. 2026 19:46
Citer en APA 7:
Arisdakessian, S., Wehbi, O., Abdul Wahab, O., Mourad, A., & Otrok, H. (2025). Towards Vox Populi in Federated Learning: A Fair and Inclusive Client Selection Framework. IEEE Transactions on Artificial Intelligence, 1, 1-15. https://doi.org/10.1109/tai.2025.3609733

Statistiques

Dimensions

Actions réservées au personnel

Afficher document
Afficher document