基于ClusterCraft的聚类化联邦学习：面向系统辨识的路径
机器学习
2025-05-23 v1
摘要
本文在联邦学习框架下解决系统辨识(SYSID)问题。我们引入一种新型算法——基于增量聚类的联邦学习方法用于SYSID(IC-SYSID)，旨在无需先验知识地解决跨多个数据源的SYSID挑战。IC-SYSID利用增量聚类方法ClusterCraft(CC)消除对数据集先验知识的依赖。CC以单个簇模型开始，通过动态增加簇的数量将相似的本地工作者分配到同一簇中。为减少CC生成的簇数量，我们引入ClusterMerge，将相似的簇模型合并。我们还引入增强型ClusterCraft以减少训练期间生成相似簇模型的概率。此外，IC-SYSID通过在损失函数中集成正则化项并采用缩放的Glorot初始化来解决簇模型不稳定问题。它还利用小批量深度学习方法来管理大规模SYSID数据集的本地训练。在针对真实世界SYSID问题的实验中（即一组车辆协同学习车辆动力学），我们展示了IC-SYSID在保持高SYSID性能的同时，防止学习不稳定的簇。
引用
@article{arxiv.2505.16857,
title = {Redefining Clustered Federated Learning for System Identification: The Path of ClusterCraft},
author = {Ertuğrul Keçeci and Müjde Güzelkaya and Tufan Kumbasar},
journal= {arXiv preprint arXiv:2505.16857},
year = {2025}
}