VertCoHiRF：超越 k 均值的去中心化垂直聚类
机器学习
2026-02-10 v1
摘要
垂直联邦学习 (VFL) 使持有相同样本互补特征视图的各方能够进行协作分析，但现有方法主要受限于分布式 k 均值变体，需要集中协调或交换特征依赖的数值统计，且在异构视图或恶意行为下鲁棒性有限。我们引入VertCoHiRF，一个基于异构视图结构共识的垂直联邦聚类框架，允许每个代理以对等方式应用适用于其本地特征空间的基本聚类方法。与交换特征依赖统计或依赖噪声注入实现隐私不同，代理独立地聚类其本地视图，并通过标识符级别的共识来调和它们的提议。通过去中心化的序数排名来实现共识，从而选择具有代表性的中介点，逐步诱导跨代理的共享层次聚类。通信仅限于样本标识符、聚类标签和序数排名，通过设计实现隐私，同时支持重叠特征分区和异构本地聚类方法，生成可解释的共享聚类融合层次 (Cluster Fusion Hierarchy, CFH)，在多个分辨率上捕获跨视图一致性。我们分析通信复杂度和鲁棒性，实验表明在垂直联邦设置下，VertCoHiRF 能实现竞争性的聚类性能。
引用
@article{arxiv.2602.07279,
title = {VertCoHiRF: Decentralized Vertical Clustering Beyond k-means},
author = {Bruno Belucci and Karim Lounici and Vladimir R. Kostic and Katia Meziani},
journal= {arXiv preprint arXiv:2602.07279},
year = {2026}
}