論文の概要: Privacy-preserving Continual Federated Clustering via Adaptive Resonance
Theory
- arxiv url: http://arxiv.org/abs/2309.03487v1
- Date: Thu, 7 Sep 2023 05:45:47 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-08 14:20:49.278743
- Title: Privacy-preserving Continual Federated Clustering via Adaptive Resonance
Theory
- Title(参考訳): 適応共振理論によるプライバシ保存連続フェデレーションクラスタリング
- Authors: Naoki Masuyama, Yusuke Nojima, Yuichiro Toda, Chu Kiong Loo, Hisao
Ishibuchi, Naoyuki Kubota
- Abstract要約: クラスタリング領域では、フェデレーション学習フレームワーク(フェデレーションクラスタリング)を用いた様々なアルゴリズムが活発に研究されている。
本稿では,プライバシ保護型継続フェデレーションクラスタリングアルゴリズムを提案する。
合成および実世界のデータセットによる実験結果から,提案アルゴリズムはクラスタリング性能が優れていることが示された。
- 参考スコア(独自算出の注目度): 11.190614418770558
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: With the increasing importance of data privacy protection, various
privacy-preserving machine learning methods have been proposed. In the
clustering domain, various algorithms with a federated learning framework
(i.e., federated clustering) have been actively studied and showed high
clustering performance while preserving data privacy. However, most of the base
clusterers (i.e., clustering algorithms) used in existing federated clustering
algorithms need to specify the number of clusters in advance. These algorithms,
therefore, are unable to deal with data whose distributions are unknown or
continually changing. To tackle this problem, this paper proposes a
privacy-preserving continual federated clustering algorithm. In the proposed
algorithm, an adaptive resonance theory-based clustering algorithm capable of
continual learning is used as a base clusterer. Therefore, the proposed
algorithm inherits the ability of continual learning. Experimental results with
synthetic and real-world datasets show that the proposed algorithm has superior
clustering performance to state-of-the-art federated clustering algorithms
while realizing data privacy protection and continual learning ability. The
source code is available at \url{https://github.com/Masuyama-lab/FCAC}.
- Abstract(参考訳): データプライバシ保護の重要性が高まる中、さまざまなプライバシ保護機械学習手法が提案されている。
クラスタリング領域では、フェデレーション学習フレームワーク(フェデレーションクラスタリング)を用いた様々なアルゴリズムが活発に研究され、データのプライバシーを維持しながら高いクラスタリング性能を示した。
しかしながら、既存のフェデレーションクラスタリングアルゴリズムで使用される基盤クラスタ(すなわちクラスタリングアルゴリズム)のほとんどは、事前にクラスタの数を指定する必要がある。
したがって、これらのアルゴリズムは、分布が未知または連続的に変化するデータを扱うことができない。
そこで本研究では,プライバシ保護型連続フェデレーションクラスタリングアルゴリズムを提案する。
提案アルゴリズムでは,連続学習が可能な適応共振理論に基づくクラスタリングアルゴリズムをベースクラスタリングとして用いた。
そこで,提案アルゴリズムは連続学習の能力を継承する。
合成および実世界のデータセットを用いた実験の結果,提案アルゴリズムは,データのプライバシ保護と継続的な学習能力を実現しつつ,最先端のフェデレーションクラスタリングアルゴリズムよりも優れたクラスタリング性能を示す。
ソースコードは \url{https://github.com/Masuyama-lab/FCAC} で公開されている。
関連論文リスト
- A Modular Spatial Clustering Algorithm with Noise Specification [0.0]
細菌ファームアルゴリズムは、閉じた実験農場の細菌の成長にインスパイアされている。
他のクラスタリングアルゴリズムとは対照的に、我々のアルゴリズムはクラスタリング中に除外されるノイズの量を規定する機能も備えている。
論文 参考訳(メタデータ) (2023-09-18T18:05:06Z) - Reinforcement Graph Clustering with Unknown Cluster Number [91.4861135742095]
本稿では,Reinforcement Graph Clusteringと呼ばれる新しいディープグラフクラスタリング手法を提案する。
提案手法では,クラスタ数決定と教師なし表現学習を統一的なフレームワークに統合する。
フィードバック動作を行うために、クラスタリング指向の報酬関数を提案し、同一クラスタの凝集を高め、異なるクラスタを分離する。
論文 参考訳(メタデータ) (2023-08-13T18:12:28Z) - Instance-Optimal Cluster Recovery in the Labeled Stochastic Block Model [79.46465138631592]
観測されたラベルを用いてクラスタを復元する効率的なアルゴリズムを考案する。
本稿では,期待値と高い確率でこれらの下位境界との性能を一致させる最初のアルゴリズムであるIACを提案する。
論文 参考訳(メタデータ) (2023-06-18T08:46:06Z) - Differentially-Private Clustering of Easy Instances [67.04951703461657]
異なるプライベートクラスタリングでは、個々のデータポイントに関する情報を公開せずに、$k$のクラスタセンターを特定することが目標だ。
我々は、データが"簡単"である場合にユーティリティを提供する実装可能な差分プライベートクラスタリングアルゴリズムを提供する。
我々は、非プライベートクラスタリングアルゴリズムを簡単なインスタンスに適用し、結果をプライベートに組み合わせることのできるフレームワークを提案する。
論文 参考訳(メタデータ) (2021-12-29T08:13:56Z) - DAC: Deep Autoencoder-based Clustering, a General Deep Learning
Framework of Representation Learning [0.0]
dac,deep autoencoder-based clustering,深層ニューロンネットワークを用いてクラスタリング表現を学ぶためのデータ駆動フレームワークを提案する。
実験結果から,KMeansクラスタリングアルゴリズムの性能をさまざまなデータセット上で効果的に向上させることができた。
論文 参考訳(メタデータ) (2021-02-15T11:31:00Z) - Determinantal consensus clustering [77.34726150561087]
本稿では,クラスタリングアルゴリズムのランダム再起動における決定点プロセス (DPP) の利用を提案する。
DPPは部分集合内の中心点の多様性を好んでいる。
DPPとは対照的に、この手法は多様性の確保と、すべてのデータフェースについて良好なカバレッジを得るために失敗することを示す。
論文 参考訳(メタデータ) (2021-02-07T23:48:24Z) - Dynamic Clustering in Federated Learning [15.37652170495055]
本稿では,生成型逆ネットワーク型クラスタリング,クラスタキャリブレーション,クラスタ分割という3相データクラスタリングアルゴリズムを提案する。
提案アルゴリズムは,セルラーネットワークハンドオーバを含む予測モデルの性能を43%向上させる。
論文 参考訳(メタデータ) (2020-12-07T15:30:07Z) - Scalable Hierarchical Agglomerative Clustering [65.66407726145619]
既存のスケーラブルな階層的クラスタリング手法は、スピードの質を犠牲にする。
我々は、品質を犠牲にせず、数十億のデータポイントまでスケールする、スケーラブルで集約的な階層的クラスタリング法を提案する。
論文 参考訳(メタデータ) (2020-10-22T15:58:35Z) - Differentially Private Clustering: Tight Approximation Ratios [57.89473217052714]
基本的なクラスタリング問題に対して,効率的な微分プライベートアルゴリズムを提案する。
この結果から,SampleとAggregateのプライバシーフレームワークのアルゴリズムの改善が示唆された。
1-Clusterアルゴリズムで使用されるツールの1つは、ClosestPairのより高速な量子アルゴリズムを適度な次元で得るために利用できる。
論文 参考訳(メタデータ) (2020-08-18T16:22:06Z) - Fair Algorithms for Hierarchical Agglomerative Clustering [17.66340013352806]
Hierarchical Agglomerative Clustering (HAC)アルゴリズムは、現代のデータサイエンスで広く利用されている。
たとえデータセットが特定の保護されたグループに対するバイアスを含むとしても、これらのアルゴリズムが公平であることを保証することが不可欠である。
公平性制約を強制するHACを行うための公正アルゴリズムを提案する。
論文 参考訳(メタデータ) (2020-05-07T01:41:56Z) - Differentially Private k-Means Clustering with Guaranteed Convergence [5.335316436366718]
反復的なクラスタリングアルゴリズムは、データの背後にある洞察を学習するのに役立ちます。
敵は、背景知識によって個人のプライバシーを推測することができる。
このような推論攻撃に対して個人のプライバシを保護するため、反復クラスタリングアルゴリズムの差分プライバシー(DP)を広く研究している。
論文 参考訳(メタデータ) (2020-02-03T22:53:47Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。