基于自适应共振理论的隐私保护持续联邦聚类
机器学习
2024-10-04 v1 密码学与安全
神经与进化计算
摘要
随着数据隐私保护重要性的提升，各种隐私保护机器学习方法被提出。在聚类领域，具有联邦学习框架（即联邦聚类）的各种算法被积极研究，并在保护数据隐私的同时展现出高聚类性能。然而，现有联邦聚类算法中使用的大多数基础聚类器（即聚类算法）需要预先指定簇数。因此，这些算法无法处理分布未知或持续变化的数据。为应对该问题，本文提出一种隐私保护持续联邦聚类算法。在所提算法中，使用一种基于自适应共振理论、具备持续学习能力的聚类算法作为基础聚类器。因此，所提算法继承了持续学习的能力。在合成与真实世界数据集上的实验结果表明，所提算法在实现数据隐私保护和持续学习能力的同时，聚类性能优于最先进的联邦聚类算法。源代码见 \url{https://github.com/Masuyama-lab/FCAC}。
引用
@article{arxiv.2309.03487,
title = {Privacy-preserving Continual Federated Clustering via Adaptive Resonance Theory},
author = {Naoki Masuyama and Yusuke Nojima and Yuichiro Toda and Chu Kiong Loo and Hisao Ishibuchi and Naoyuki Kubota},
journal= {arXiv preprint arXiv:2309.03487},
year = {2024}
}
备注
This paper is currently under review. arXiv admin note: substantial text overlap with arXiv:2305.01507