面向未知组件数的混合模型的联邦广义期望最大化算法
计算机视觉与模式识别
2026-04-21 v2
摘要
我们研究联邦聚类问题，其中跨客户端的总组件数 未知，客户端在其本地数据中具有异构但可能重叠的聚类集合。为此，我们开发了 FedGEM：一种用于训练组件数未知的混合模型的联邦广义期望最大化算法。我们的方法依赖于每个客户端在本地执行 EM 步骤，并围绕每个本地组件的最大值构造不确定性集合。中央服务器利用不确定性集合来学习客户端之间可能的聚类重叠，并通过闭形式计算推断全局组件数。我们对该算法进行了详尽的理论研究， presenting 概率收敛保证，前提是满足常规假设。随后，我们研究特定的各向同性高斯混合模型(GMM)，提供可供每个客户端在每个迭代中执行的可处理、低复杂度计算，并严格验证算法收敛所需的假设。我们进行了各种数值实验，经验上证明我们的方法在性能上可与集中式 EM 相当，并优于各种现有的联邦聚类方法。
引用
@article{arxiv.2601.21159,
title = {Spatial-Regularization-Aware Dual-Branch Collaborative Inference for Training-Free OVSS in Remote Sensing Imagery},
author = {Jianzheng Wang and Huan Ni},
journal= {arXiv preprint arXiv:2601.21159},
year = {2026}
}