联邦 K-means 聚类

Oct, 2023

Federated K-means Clustering

Swier Garst, Marcel Reinders

TL;DR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。

Abstract

federated learning is a technique that enables the use of distributed datasets for machine learning purposes without requiring data to be pooled, thereby better preserving privacy and ownership of the data. While supervised FL research has grown substantially over the last years, unsup

federated learning distributed datasets unsupervised fl methods k-means clustering convergence

发现论文，激发创造

IBM 联邦学习：企业框架白皮书 V0.1

IBM Federated Learning 提供了联邦学习的基础设施和协调，可以设计和运行联邦学习作业，从而将范围从集中式扩展到联邦机器学习，从而在最初阶段将学习曲线降至最低，同时也提供了在不同计算环境下部署和设计自定义融合算法的灵活性。

Jul, 2020

联邦学习的进展和开放问题

本文讨论联邦学习的最新进展和挑战，并提出了一系列开放性问题和挑战。

Dec, 2019

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

联邦机器学习和集中式机器学习的比较评估

本文讨论分布式数据的非 IID 性质及其对联邦学习的训练造成的影响，同时对联邦学习与典型集中式梯度下降技术的不同之处进行比较，并在实践中演示样品数量和输出标签分布对联邦学习的影响。此外，本文证明了在模型大小不太大的情况下使用联邦学习框架具有成本优势。

Feb, 2022

原型有助于联邦学习：朝着更快的收敛方向

该论文提出了一种基于原型的联邦学习框架，通过在典型的联邦学习进程的最后全局迭代中进行少量更改就能够实现更好的推理性能，从而在两个基准数据集上实现了更高的准确性和相对高效的通信。

Mar, 2023

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

无需完整标记的联邦学习综述

本研究探讨了如何利用无标签数据与机器学习技术解决联邦学习（FL）中无全标签数据的问题，并提出了半监督学习、自监督学习和迁移学习方法，对用于评估无标签 FL 方法的数据集进行了总结，最后还在无全标签 FL 上强调了未来的研究方向。

Mar, 2023

异质性获胜：一次性联邦聚类

本文探讨了无监督联邦学习的独特挑战和机遇，提出了一种基于 Lloyd 方法的一次性联邦聚类方案 k-FED，并在实验中验证了它的可行性和实用性。

Mar, 2021

联邦学习：机遇与挑战

介绍谷歌于 2016 年首次提出的联邦学习，多个设备在中央服务器的监督下协作学习机器学习模型，可保证本地数据的隐私性和安全性，同时存在攻击风险，就此探讨了联邦学习的机会和挑战所在。

Jan, 2021

从分布式机器学习到联邦学习：一项调查

通过对联邦学习的现有作品进行全面调查，提出功能框架和分类学相关技术，以及联邦学习系统的分布式培训，数据通信和安全性。

Apr, 2021