OmniFC：通过无损和安全距离重建重新思考联邦聚类
机器学习
2025-10-28 v2
摘要
联邦聚类(FC)旨在发现跨越去中心化客户端的全局聚类结构，而无需共享原始数据，这使得隐私保留成为基本要求。存在两个关键挑战：(1)协作期间的隐私泄露，以及(2)由于来自非独立同分布(Non-IID)本地数据的聚合代理信息导致的鲁棒性下降，从而导致不准确或不一致的全局聚类。现有解决方案通常依赖于模型特定的本地代理，这些代理对数据异构性敏感并继承其集中式对应项的归纳偏差，从而限制了鲁棒性和通用性。我们提出Omni联邦聚类(OmniFC)，一个统一且模型无关的框架。利用拉格朗日编码计算，我们的方法使客户端仅共享编码数据，从而在不泄露私人信息的情况下精确重建全局距离矩阵——这是样本关系的基本表示。这一构建天然抵抗Non-IID数据分布。这一方法将FC从模型特定的代理中解耦，提供了适用于各种集中式聚类方法的统一扩展机制。理论分析确认了重建忠诚度和隐私保证，而全面实验表明OmniFC在各种基准测试中相对于最先进方法具有优越的鲁棒性、有效性和通用性。代码将发布。
引用
@article{arxiv.2505.13071,
title = {OmniFC: Rethinking Federated Clustering via Lossless and Secure Distance Reconstruction},
author = {Jie Yan and Jing Liu and Zhong-Yuan Zhang},
journal= {arXiv preprint arXiv:2505.13071},
year = {2025}
}
备注
Accepted at NeurIPS 2025