提出一种新颖的联合深度多视图聚类方法，能够从分布在多个设备上的数据中挖掘互补的聚类结构，同时解决数据不完整性和隐私问题。在服务器环境中，使用样本对齐和数据扩展技术来探索多个视图的互补聚类结构。然后，服务器将全局原型和全局伪标签分配给每个客户端作为全局自监督信息。在客户端环境中，多个客户端使用全局自监督信息和深度自编码器学习视图特定的聚类分配和嵌入特征，然后上传到服务器以进一步完善全局自监督信息。最后，广泛的实验证明，我们提出的方法在处理分布式环境中的不完整多视图数据方面具有优越的性能。

Sep, 2023

本文提出了 FedHGN，这是一种新颖而通用的 FGL 框架，用于异构图神经网络，采用模式权重分离来启用模式不可知知识共享，并采用系数对齐来稳定训练过程和提高 HGNN 性能，确保更好的隐私保护，FedHGN 在三个异构图数据集上的表现优于本地训练和传统的 FL 方法。

May, 2023

提出了 FedGKD，一种新的联邦图神经网络框架，利用客户端图数据集提取更好描述任务相关性的任务特征，并引入一种对全局协作结构感知的新型服务器端聚合机制，通过在六个不同规模的真实世界数据集上进行广泛实验，证明该框架的优越性。

Sep, 2023

本文提出了一种信息恢复驱动的深度不完整多视角聚类网络，命名为 RecFormer，它可以通过使用自注意力结构和两阶段自编码器来同步提取多个视角的高级语义表示并恢复丢失的数据，利用重构机制来推动进一步的数据重建过程，其实验结果证实 RecFormer 在不完整的多视角聚类领域具有明显的优势。

Apr, 2023

该文介绍了一种基于图聚类的联邦学习框架 GCFL，它通过动态发现基于 GNN 梯度的本地系统集群，从而降低本地系统拥有的图的结构和特征异质性。该框架通过动态时间规整设计梯度序列聚类机制（GCFL +），其有效地应用于各种现实世界的图形分类任务中。

Jun, 2021

本论文提出了一个基于联合多视图学习的框架，用于多视图数据泄露预防，以解决医学数据分布困难、数据来源异构等问题。该框架兼容垂直联合多视图学习和水平联合多视图学习两种问题，并通过键盘数据的实验验证表明，该方法可以在保护隐私的同时充分利用多视图数据，同时 V-FedMV 和 H-FedMV 方法的表现都显著好于其单视图和成对对应方法。此框架是首个考虑在联合多视图设置中进行垂直和水平多样化以及顺序联合学习的研究。

May, 2021

提出了一种称为 FedGraph 的泛化算法，该算法使用图卷积神经网络从客户端的子集中学习特征，捕捉特征共享信息，并采用简单但有效的聚类算法聚合每个客户端的深度神经网络生成的特征，同时保护数据隐私。

Apr, 2024

该论文提出了一种基于异构图神经网络的联邦框架，用于在分布式的异构信息网络中协同训练推荐模型，保护用户隐私并恢复由于数据分布存储产生的破坏的元路径语义。

Oct, 2023

我们开发了一个 FL 框架，其中维护一个全局的 NGM 模型，通过学习本地 NGM 模型的平均信息，同时保持训练数据在客户端环境中。我们的设计 FedNGMs 避免了神经元匹配框架的问题，如 Federated Matched Averaging，在这些框架中存在模型参数膨胀的问题。我们的全局模型大小在整个过程中保持恒定。对于客户端具有不包含在组合全局分布中的本地变量的情况，我们提出了一种 “拼接” 算法，它通过使用客户端数据合并附加变量来个性化全局 NGM 模型。FedNGM 对数据异质性、大量参与者和有限的通信带宽具有鲁棒性。

Sep, 2023

本文提出了一个深度不完全多视图多聚类 (DiMVMC) 框架来处理多视图数据不完整问题，并通过优化多组解码器深度网络来实现数据视图和多个共享表示的同时完成。实验表明，DiMVMC 在生成高质量，多样性的多个聚类方面优于现有的同类竞争对手。

Oct, 2020