Federated Multi-Task Clustering

Suyan Dai

doi:10.1109/tcsvt.2026.3735054

Federated Multi-Task Clustering

2026-09-18

0

PRE

AI

DOI：10.1109/tcsvt.2026.3735054

原文链接

原文求助

摘要

En 中文

谱聚类因其优越的性能而成为最有效的聚类算法之一。然而，大多数现有模型是为集中式环境设计的，导致它们在现代去中心化环境中不适用。此外，当前的联邦学习算法通常由于依赖不可靠的伪标签而表现出较差的泛化性能，并且无法捕获异构客户端之间的潜在相关性。为解决这些局限性，本文提出了一种新型框架——联邦多任务聚类（即FMTC），旨在为异构客户端学习个性化聚类模型，同时协作利用它们共享的潜在结构，而无需传输原始本地数据。更具体地说，FMTC框架由两个主要组件组成：客户端个性化聚类模块，其学习参数化映射模型以支持鲁棒的样本外推断，绕过对不可靠伪标签的需求；以及服务器端张量相关性模块，其显式捕获所有客户端之间的共享知识。这是通过将所有客户端模型组织成一个统一张量并应用低秩正则化来发现它们的共同子空间实现的。为解决此联合优化问题，我们推导出一种高效的分布式ADMM算法，基于乘子交替方向法，将全局问题分解为客户端上的并行局部更新和服务器上的聚合步骤。为此，我们在真实数据集上的大量实验表明，我们提出的FMTC框架显著优于各种基线和最先进的联邦聚类算法。所报告的协议保留了客户端的原始本地数据，但它本身并不提供针对推理攻击的正式隐私保证。

Keyword:

Federated learning

unsupervised learning

spectral clustering

multi-task learning

tensor methods

Federated Multi-Task Clustering

摘要

期刊

机构

引用论文