DPMM-CFL：基于Dirichlet过程混合模型的非参数聚类联邦学习
机器学习
2026-01-30 v2 分布式、并行与集群计算
机器学习
摘要
聚类联邦学习（CFL）通过对客户进行聚类并为每个聚类训练一个模型来提高非IID客户端异构性下的性能，从而在全局模型和完全个人化模型之间进行权衡。然而，大多数CFL方法需要预先固定聚类数 K，这在潜在结构未知时是不切实际的。我们提出了DPMM-CFL，一种将Dirichlet过程（DP）先验置于聚类参数分布上的CFL算法。这使得非参数贝叶斯推断能够联合推断聚类数和客户分配，同时优化每个聚类的联邦目标。结果是在每个轮次中，联邦更新和聚类推断相互耦合，正如本文所述。该算法在Dirichlet和class-split非IID分区的基准数据集上进行了验证。
引用
@article{arxiv.2510.07132,
title = {DPMM-CFL: Clustered Federated Learning via Dirichlet Process Mixture Model Nonparametric Clustering},
author = {Mariona Jaramillo-Civill and Peng Wu and Pau Closas},
journal= {arXiv preprint arXiv:2510.07132},
year = {2026}
}
备注
Accepted at ICASSP 2026; 5 pages, 2 figures