基于先进张量分解技术的个性化联邦热核增强多视图聚类
机器学习
2026-01-05 v4 分布式、并行与集群计算
摘要
本文提出了应对联邦学习环境中多视图聚类挑战的数学框架。其目标是通过采用基于热核系数的新目标函数，以量子启发的度量替代传统距离度量，从而整合优化技术。所提框架利用先进的张量分解方法，具体为 PARAFAC2 和 Tucker 分解，以在保留视图间关系的同时高效表示高维多视图数据。本研究开发了四种新算法：高效联邦核多视图聚类（E-FKMVC）模型、FedHK-PARAFAC2、FedHK-Tucker，以及基于 PARAFAC2 分解的个性化 FedHK-PARAFAC2（Personalized FedHK-PARAFAC2）。这些算法的主要目标是在确保联邦学习环境中机密性与高效通信的同时提升聚类过程的效能。本文提供了关于收敛性保证、隐私界限和复杂度的理论分析，以验证所提方法的有效性。本质上，本文通过数学建模与算法设计的创新整合，对联邦多视图聚类领域做出了重要的学术贡献。该方法应对了数据异构性与隐私关切的关键挑战，为各种情境下增强的数据管理与分析铺平了道路。
引用
@article{arxiv.2509.16101,
title = {Personalized Federated Heat-Kernel Enhanced Multi-View Clustering via Advanced Tensor Decomposition Techniques},
author = {Kristina P. Sinaga},
journal= {arXiv preprint arXiv:2509.16101},
year = {2026}
}
备注
37 pages, 4 algorithms, 5 tables, and 5 figures