联邦动量对比聚类
机器学习
2022-06-13 v1 计算机视觉与模式识别
机器学习
摘要
我们提出联邦动量对比聚类(FedMCC)，这是一种学习框架，不仅能从分布式本地数据中提取判别性表示，还能进行数据聚类。在FedMCC中，一对经过变换的数据同时经过在线网络与目标网络，产生四种表示，并据此确定损失。FedMCC生成的高质量表示在线性评估与半监督学习任务上优于若干现有的自监督学习方法。FedMCC可通过我们所称的动量对比聚类(MCC)轻松适配于普通的集中式聚类。我们表明，MCC在STL-10与ImageNet-10等特定数据集上取得了当前最优的聚类精度结果。我们还提出了一种降低聚类方案内存占用的办法。
引用
@article{arxiv.2206.05093,
title = {Federated Momentum Contrastive Clustering},
author = {Runxuan Miao and Erdem Koyuncu},
journal= {arXiv preprint arXiv:2206.05093},
year = {2022}
}
备注
Originally submitted March 2022