非独立完全分布数据的一次性联邦聚类
机器学习
2026-01-27 v1
摘要
在保护多个客户端隐私的同时提取数据知识的联邦学习（FL）在分布式隐私保护物联网系统中取得了显著成果，包括智能交通流监测、智能电网负载均衡等。由于从边缘设备收集的大多数数据是未标记的，无监督联邦聚类（FC）在从复杂的分布式数据中探索模式知识方面变得越来越受欢迎。然而，由于缺乏标签指导，客户端常见的非独立同分布（Non-IID）问题给FC带来了巨大挑战，引发了以下问题：如何融合来自Non-IID客户端的模式知识（即聚类分布）；客户端之间的聚类分布如何关联；以及这种关系如何与全局知识融合相联系？本文揭示了Non-IID中一个更棘手但被忽视的现象，该现象瓶颈了现有FC方法的聚类性能。即，不同的客户端可能会将一个聚类碎片化，由此推导出一个更广义的Non-IID概念，即非独立完全分布（Non-ICD）。为了应对上述FC挑战，提出了一种名为GOLD（面向全局的局部分布学习）的新框架。GOLD首先精细探索客户端潜在的局部不完整聚类分布，然后将分布摘要上传至服务器进行全局融合，最后在全局分布的指导下执行局部聚类增强。进行了包括显著性检验、消融研究、可扩展性评估、定性结果等在内的广泛实验，以展示GOLD的优越性。
引用
@article{arxiv.2601.17512,
title = {One-Shot Federated Clustering of Non-Independent Completely Distributed Data},
author = {Yiqun Zhang and Shenghong Cai and Zihua Yang and Sen Feng and Yuzhu Ji and Haijun Zhang},
journal= {arXiv preprint arXiv:2601.17512},
year = {2026}
}
备注
This work has been accepted for publication in IEEE Internet of Things Journal