Sep, 2023

精准聚类联邦学习的联合 cINN 聚类

PDF
TL;DR我们提出了一种名为 FCCA 的联邦 cINN 聚类算法，通过将客户端的私有数据转换为多元高斯分布，学习编码的潜在特征，以达到客户端聚类和改善全局模型性能的目的。实验结果表明，FCCA 在各种模型和数据集上的性能优于其他最先进的集群联邦学习算法，表明我们的方法在提高现实世界中联邦学习任务的效率和准确性方面具有巨大的潜力。
federated learningprivacy-preservingdistributed machine learningfederated cinn clustering algorithm (fcca)clustered federated learning algorithms
发现论文，激发创造
  • 面向联邦聚类的联邦模糊 c 均值算法 (FFCM)

    本文关注于联邦聚类问题，提出了一种用于联邦学习的延伸模糊 C 均值算法，并通过数值实验评估了其行为，其中一种方法即使在复杂情况下也能够确定良好的全局聚类中心，但也认识到许多挑战的问题仍然存在。

    Jan, 2022

  • 集群化联邦学习的高效框架

    本研究提出了一种针对分布式、分区群集的联合学习的新框架，即聚簇联合学习，同时也提出了迭代联合聚类算法 (IFCA)，分析了其收敛速度及统计误差率上的优越性，并将其运用于神经网络等非凸问题的有效性实验中。

    Jun, 2020

  • CCFC：连接联邦聚类和对比学习

    通过使用集群对比模型来学习友好的聚类表示，并以此为基础，提出了一种新的联邦聚类方法，称为集群对比联邦聚类（CCFC），其聚类性能甚至在某些情况下是最佳基准方法的两倍，并且在处理设备故障方面也显示出卓越的性能。

    Jan, 2024

  • 聚类联邦学习：在隐私约束下的模型无关分布式多任务优化

    本研究提出了一种基于聚类的联邦多任务学习框架（Clustered Federated Learning），可在保持数据隐私性的同时，更好地解决联邦学习中本地数据分布不同的问题，并在深度卷积和循环神经网络上进行实验证明了其有效性。

    Oct, 2019

  • FedAC：一种适应性聚类的异构数据联邦学习框架

    在本文中，我们提出了一种自适应的聚类联邦学习框架，名为 FedAC，它通过解耦神经网络并为每个子模块使用不同的聚合方法，有效地将全局知识融合到簇内学习中，同时采用一种经济高效的在线模型相似度度量基于降维技术，以及一个用于改进复杂异构环境中自适应性和可扩展性的簇数微调模块。广泛的实验结果表明，相较于现有方法，FedAC 在不同的非独立同分布设置下，CIFAR-10 和 CIFAR-100 数据集的测试准确率分别提高了约 1.82% 和 12.67%。

    Mar, 2024

  • FedClust: 通过权重驱动的客户端聚类优化非 IID 数据上的联邦学习

    FedClust 是一种聚类联邦学习方法，利用局部模型权重和客户数据分布之间的相关性将客户分组成簇，并动态地实时适应新加入的客户，实验结果表明 FedClust 在准确性和通信成本方面优于基线方法。

    Mar, 2024

  • 联邦 K-means 聚类

    分散数据集的联邦学习技术可以进行机器学习，而无需数据集合，因此更好地保护数据的隐私和所有权。本研究介绍了一种以联邦方式实现 K-means 聚类的算法，旨在解决中心之间聚类数量变化和在不易分离的数据集上的收敛问题。

    Oct, 2023

  • 随机聚合联邦学习

    本文提出了一种针对非独立同分布问题的新型聚类联邦学习方法 StoCFL，它实现了一种灵活的 CFL 框架，支持不同比例的客户端参与和新客户端加入，而且在保持模型性能的同时获得了良好的聚类结果。

    Mar, 2023

  • 聚类 FedStack：具有贝叶斯信息准则的中间全球模型

    基于已发布的堆叠联邦学习（FedStack）框架，本研究提出了一种新颖的聚类联邦堆叠（Clustered FedStack）框架，通过采用三种聚类机制，并结合贝叶斯信息准则（BIC）和循环学习率方法，能有效克服联邦学习中的数据分布不同和标签不平衡的问题，优于基准模型的性能。

    Sep, 2023

  • 实时找到最佳任务分配：面向分簇联邦学习的整体框架

    通过综合研究当前对聚类型联邦学习方法，本文提出了一个四层框架（HCFL），并针对每一层中当前聚类方法面临的挑战提出了一个增强聚类方法 HCFL+，通过广泛的数值评估展示了我们的聚类框架和改进组件的有效性。

    Oct, 2023