具有全局自监督的联邦深度多视图聚类
机器学习
2023-09-26 v1 多媒体
摘要
联邦多视图聚类有潜力从分布在多个设备上的数据中学习全局聚类模型。在此设定下,标签信息未知且必须保护数据隐私,这带来了两个主要挑战。首先,不同客户端上的视图往往具有特征异构性,挖掘其互补的聚类信息并非易事。其次,分布式环境中来自多个客户端的数据的存储与使用会导致多视图数据的不完整。为应对这些挑战,我们提出了一种新颖的联邦深度多视图聚类方法,能够从多个客户端挖掘互补的聚类结构,同时处理数据不完整性与隐私问题。具体而言,在服务器端环境中,我们提出样本对齐与数据扩展技术以探索多视图的互补聚类结构。随后服务器将全局原型与全局伪标签作为全局自监督信息分发给各客户端。在客户端环境中,多个客户端利用全局自监督信息与深度自编码器学习视图特定的聚类分配与嵌入特征,随后上传至服务器以精炼全局自监督信息。最后,我们大量实验的结果表明,我们所提方法在解决分布式环境中不完整多视图数据的挑战方面表现出优越性能。
引用
@article{arxiv.2309.13697,
title = {Federated Deep Multi-View Clustering with Global Self-Supervision},
author = {Xinyue Chen and Jie Xu and Yazhou Ren and Xiaorong Pu and Ce Zhu and Xiaofeng Zhu and Zhifeng Hao and Lifang He},
journal= {arXiv preprint arXiv:2309.13697},
year = {2023}
}