基于全局融合图指导的联邦不完整多视图聚类
机器学习
2025-06-23 v1 人工智能
摘要
联邦多视图聚类旨在挖掘分布在不同设备上的多视图数据中所包含的宝贵信息，已取得令人印象深刻的结果，同时保持隐私。尽管取得了显著进展，但大多数联邦多视图聚类方法仅使用全局伪标签来指导下游聚类过程，未能在特征提取时利用全局信息。此外，联邦多视图聚类任务中的缺失数据问题鲜有探讨。为此，我们提出了一种新颖方法：联邦不完整多视图聚类方法，利用全局融合图指导（FIMCFG）。具体而言，我们在每个客户端设计了一个双头图卷积编码器，用于提取包含全局和视图特定信息的两种底层特征。随后，在融合图的指导下，这两种底层特征被融合为高层特征，基于此进行伪标签监督的聚类。最后，将高层特征上传到服务器以细化图融合和伪标签计算。广泛的实验结果表明，FIMCFG 的有效性和优越性。我们的代码已公开于 https://github.com/PaddiHunter/FIMCFG。
引用
@article{arxiv.2506.15703,
title = {Federated Incomplete Multi-view Clustering with Globally Fused Graph Guidance},
author = {Guoqing Chao and Zhenghao Zhang and Lei Meng and Jie Wen and Dianhui Chu},
journal= {arXiv preprint arXiv:2506.15703},
year = {2025}
}