Evolving Gaussian Systems as a Framework for Federated Regression Problems

Miha Ožbot

doi:10.1109/TFUZZ.2025.3601900

Evolving Gaussian Systems as a Framework for Federated Regression Problems

0

OA

AI

M

Miha Ožbot

P

Paulo Vitor de Campos Souza

I

Igor Škrjanc

DOI：10.1109/TFUZZ.2025.3601900

原文链接

原文求助

摘要

En 中文

本文提出了一种用于多元回归问题的新型联邦学习框架，称为演化高斯联邦回归（eGauss+$_{\text{FR}}$）。采用联邦方法的需求源于数据分布式获取的日益增长以及保护这些数据分发权利的问题。回归问题通常是高度非线性的，因此与将数据空间划分为更小子空间（其中可应用线性近似）的聚类方法紧密相关。在此，我们面临传统聚类方法的主要缺点，即需要预定义聚类数量。在联邦学习问题中，当数据在不同来源或客户端间非独立同分布时，这构成了显著挑战。该问题可通过引入演化方法解决，该方法动态添加和移除聚类。我们方法的核心思想是使用增量c-回归或c-变体聚类方法定义聚类，这些聚类接近于直线，并用中心点和协方差矩阵进行描述。聚类针对每个数据源或客户端独立进行。由于数据共享的限制和保护，只有所有客户端的中心点和协方差矩阵被传输至主服务器并合并，此处采用eGauss+方法中提出的方式。从合并后的聚类生成辅助点，随后用于通过经典模糊模型近似函数。我们提出的方法在简单合成数据上进行了验证，同时利用合成和真实数据集测试了其时间复杂度和随客户端数量扩展的伸缩性。结果表明，演化联邦方法具有优势，能够实现高质量函数近似，且易于扩展至高维问题。

Keyword:

Evolving system

federated learning (FL)

fuzzy logic

fuzzy regression

unsupervised clustering

Evolving Gaussian Systems as a Framework for Federated Regression Problems

摘要

期刊

机构

引用论文