桥接鸿沟：异构混合视图下的联邦多视图聚类
机器学习
2024-10-15 v1
摘要
最近，联邦多视图聚类 (FedMVC) 应运而生，以探索分布在多个客户端上的多视图数据中所包含的聚类结构。现有方法常常假设客户端是等构的，且全部属于单视图客户端或多视图客户端。尽管这些方法取得了成功，但在涉及异构混合视图的实际 FedMVC 场景中仍存在局限——此时既有单视图客户端又有多视图客户端，且呈现不同程度的异构性。本文提出一种新型 FedMVC 框架，同时解决与异构混合视图相关的两种挑战，即客户端鸿沟和视图鸿沟。为解决客户端鸿沟，我们设计了一种本地-协同对比学习方法，帮助单视图客户端和多视图客户端实现一致性，从而减轻各客户端间的异构性。为解决视图鸿沟，我们发展了一种全局-特定加权聚合方法，鼓励全局模型从混合视图中学习互补特征。本地-协同对比学习与全局-特定加权聚合之间的相互作用，互相提升了在多个客户端上分布的数据聚类结构的探索。理论分析和大量实验表明，我们的方法能够处理 FedMVC 中的异构混合视图，且优于当前最先进的方法。代码已公开于 \url{https://github.com/5Martina5/FMCSC}。
引用
@article{arxiv.2410.09484,
title = {Bridging Gaps: Federated Multi-View Clustering in Heterogeneous Hybrid Views},
author = {Xinyue Chen and Yazhou Ren and Jie Xu and Fangfei Lin and Xiaorong Pu and Yang Yang},
journal= {arXiv preprint arXiv:2410.09484},
year = {2024}
}