面对不确定情景的增强型联邦深度多视图聚类
机器学习
2025-11-25 v1
摘要
传统的联邦多视图聚类假设跨客户端视图一致，然而实际部署中揭示了视图完整性不均且数据普遍不完整、冗余或受损的现实情况。虽然近期方法尝试建模视图异构性，但忽略了来自动态视图组合的语义冲突，未能解决双重不确定性：视图不确定性（因任意视图组合导致的语义不一致）和聚合不确定性（因贡献不平衡导致的客户端更新差异）。为此，我们提出一种新型增强型联邦深度多视图聚类框架：首先进行本地语义对齐，通过层次对比融合在客户端内部解决视图不确定性，消除语义冲突；引入视图自适应漂移模块，通过全局-本地原型对比动态纠正参数偏差以缓解聚合不确定性；并设计平衡聚合机制协调客户端更新。实验结果表明，EFDMVC在多数据集上对异构不确定视图具有卓越的鲁棒性，在全面评估中始终优于所有最新基线方法。
引用
@article{arxiv.2511.17631,
title = {Enhanced Federated Deep Multi-View Clustering under Uncertainty Scenario},
author = {Bingjun Wei and Xuemei Cao and Jiafen Liu and Haoyang Liang and Xin Yang},
journal= {arXiv preprint arXiv:2511.17631},
year = {2025}
}