基于异构图神经网络的联邦不完整多视图聚类
机器学习
2024-06-14 v1 分布式、并行与集群计算
摘要
联邦多视图聚类具有利用分布在多个设备上的数据开发全局聚类模型的潜力。然而，由于缺乏标签信息和数据隐私的重要性，当前方法面临挑战。一个显著问题是多视图数据间的特征异质性，这使有效挖掘互补聚类信息变得复杂。此外，分布式环境下多视图数据固有的不完整性可能进一步使聚类过程复杂化。为应对这些挑战，我们提出了一种基于异构图神经网络的联邦不完整多视图聚类框架（FIM-GNNs）。在所提出的FIM-GNNs中，基于异构图神经网络模型构建的自编码器被用于在每个客户端站点进行多视图数据的特征提取。在服务器层面，来自每个客户端重叠样本的异质特征被聚合为全局特征表示。在服务器生成全局伪标签以增强对不完整视图数据的处理，这些标签作为指导和整合不同数据视图间聚类过程的指南。在公开基准数据集上进行了全面实验，以验证所提出的FIM-GNNs与最先进算法相比的性能。
引用
@article{arxiv.2406.08524,
title = {Federated Incomplete Multi-View Clustering with Heterogeneous Graph Neural Networks},
author = {Xueming Yan and Ziqi Wang and Yaochu Jin},
journal= {arXiv preprint arXiv:2406.08524},
year = {2024}
}