論文の概要: Personalized Federated Learning with Heat-Kernel Enhanced Tensorized Multi-View Clustering
- arxiv url: http://arxiv.org/abs/2509.16101v1
- Date: Fri, 19 Sep 2025 15:45:02 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-09-22 18:18:11.2351
- Title: Personalized Federated Learning with Heat-Kernel Enhanced Tensorized Multi-View Clustering
- Title（参考訳）: 熱カーネル強化マルチビュークラスタリングによる個人化フェデレーション学習
- Authors: Kristina P. Sinaga,
- Abstract要約: マルチビューファジィc平均クラスタリングのための頑健なパーソナライズされた学習フレームワークを提案する。
量子場理論から適応した熱核係数とタッカー分解と正準多進分解を統合する。
- 参考スコア（独自算出の注目度）: 2.538209532048867
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We present a robust personalized federated learning framework that leverages heat-kernel enhanced tensorized multi-view fuzzy c-means clustering with advanced tensor decomposition techniques. Our approach integrates heat-kernel coefficients adapted from quantum field theory with Tucker decomposition and canonical polyadic decomposition (CANDECOMP/PARAFAC) to transform conventional distance metrics and efficiently represent high-dimensional multi-view structures. The framework employs matriculation and vectorization techniques to facilitate the discovery of hidden structures and multilinear relationships via N-way generalized tensors. The proposed method introduces a dual-level optimization scheme: local heat-kernel enhanced fuzzy clustering with tensor decomposition operating on order-N input tensors, and federated aggregation of tensor factors with privacy-preserving personalization mechanisms. The local stage employs tensorized kernel Euclidean distance transformations and Tucker decomposition to discover client-specific patterns in multi-view tensor data, while the global aggregation process coordinates tensor factors (core tensors and factor matrices) across clients through differential privacy-preserving protocols. This tensorized approach enables efficient handling of high-dimensional multi-view data with significant communication savings through low-rank tensor approximations.
- Abstract（参考訳）: 本稿では,高度テンソル分解技術を用いた熱カーネル強化型テンソル化マルチビューファジィc平均クラスタリングを利用する,堅牢な個人化学習フレームワークを提案する。
本研究では,タッカー分解と標準ポリアディック分解 (CANDECOMP/PARAFAC) に量子場理論から適応した熱カーネル係数を統合し,従来の距離指標を変換し,高次元多視点構造を効率的に表現する。
このフレームワークは、N-ウェイ一般化テンソルによる隠れ構造や多線形関係の発見を容易にするために、行列化とベクトル化技術を使用している。
提案手法では,次数-N入力テンソル上でのテンソル分解による局所熱カーネル拡張ファジィクラスタリングと,プライバシ保護のパーソナライゼーション機構によるテンソル因子の連合集約という2段階の最適化手法を提案する。
ローカルステージでは、テンソル化されたカーネルユークリッド距離変換とタッカー分解を用いて、マルチビューテンソルデータ中のクライアント固有のパターンを発見し、グローバルアグリゲーションプロセスは、差分プライバシー保護プロトコルを通じてクライアント間のテンソル係数(コアテンソルと係数行列)を座標する。
このテンソル化アプローチは、低ランクテンソル近似を用いて、重要な通信節約を伴う高次元マルチビューデータの効率的なハンドリングを可能にする。
関連論文リスト
- Low-Rank Implicit Neural Representation via Schatten-p Quasi-Norm and Jacobian Regularization [49.158601255093416]
暗黙的神経表現のためのニューラルネットワークによりパラメータ化されたCPベースの低ランクテンソル関数を提案する。
滑らか性のために、ヤコビアンとハッチンソンのトレース推定器のスペクトルノルムに基づく正規化項を提案する。
提案した滑らか度正規化はSVDフリーであり、明示的な連鎖規則の導出を避ける。
論文 参考訳（メタデータ） (2025-06-27T11:23:10Z) - Tensor Convolutional Network for Higher-Order Interaction Prediction in Sparse Tensors [74.31355755781343]
我々は,トップk相互作用を予測するTF法とシームレスに統合する,正確で互換性のあるテンソル畳み込みネットワークTCNを提案する。
TF法と統合されたTNは,TF法やハイパーエッジ予測法などの競合よりも優れていることを示す。
論文 参考訳（メタデータ） (2025-03-14T18:22:20Z) - TensorGRaD: Tensor Gradient Robust Decomposition for Memory-Efficient Neural Operator Training [91.8932638236073]
textbfTensorGRaDは,重み付けに伴うメモリ問題に直接対処する新しい手法である。
SparseGRaD は総メモリ使用量を 50% 以上削減し,同時に精度も向上することを示した。
論文 参考訳（メタデータ） (2025-01-04T20:51:51Z) - Adaptively Topological Tensor Network for Multi-view Subspace Clustering [36.790637575875635]
マルチビューサブスペースクラスタリングでは、学習した自己表現テンソルを使用して低ランク情報を利用する。
予め定義されたテンソル分解は、あるデータセットの低ランク情報を完全に活用できない。
自己表現テンソルの構造情報からエッジランクを決定することで適応的トポロジカルテンソルネットワーク(ATTN)を提案する。
論文 参考訳（メタデータ） (2023-05-01T08:28:33Z) - Multi-View Clustering via Semi-non-negative Tensor Factorization [120.87318230985653]
半負のテンソル因子分解(Semi-NTF)に基づく新しいマルチビュークラスタリングを開発する。
本モデルは、ビュー間の関係を直接考慮し、ビュー間の補完情報を利用する。
さらに,提案手法の最適化アルゴリズムを提案し,そのアルゴリズムが常に定常KKT点に収束することを数学的に証明する。
論文 参考訳（メタデータ） (2023-03-29T14:54:19Z) - Fast Learnings of Coupled Nonnegative Tensor Decomposition Using Optimal Gradient and Low-rank Approximation [7.265645216663691]
交互勾配法(CoNCPD-APG)により最適化された新しい非負のCANDECOMP/PARAFAC分解アルゴリズムを提案する。
提案手法は,低ランク近似をCONCPD-APG法と組み合わせることで,分解品質を損なうことなく計算負担を大幅に削減することができる。
論文 参考訳（メタデータ） (2023-02-10T08:49:36Z) - Uniform tensor clustering by jointly exploring sample affinities of
various orders [37.11798745294855]
複数サンプルの親和性を利用してサンプル近接を特徴付ける統一テンソルクラスタリング法(UTC)を提案する。
UTCは、高次元データを処理する際に異なる順序親和性を利用することによりクラスタリングを強化することが確認される。
論文 参考訳（メタデータ） (2023-02-03T06:43:08Z) - Many-body Approximation for Non-negative Tensors [17.336552862741133]
我々は、多体近似と呼ばれる非負のテンソルを分解する別の方法を提案する。
従来の分解法では、表現において低ランクを前提としており、大域的な最適化と目標ランクの選択が困難である。
論文 参考訳（メタデータ） (2022-09-30T09:45:43Z) - Multi-View Spectral Clustering Tailored Tensor Low-Rank Representation [105.33409035876691]
本稿では,テンソル低ランクモデルに基づくマルチビュースペクトルクラスタリング(MVSC)の問題について検討する。
MVSCに適合する新しい構造テンソル低ランクノルムを設計する。
提案手法は最先端の手法よりもかなり優れていることを示す。
論文 参考訳（メタデータ） (2020-04-30T11:52:12Z) - Efficient Structure-preserving Support Tensor Train Machine [0.0]
列車マルチウェイマルチレベルカーネル(TT-MMK)
我々は,ポリアディック分解の単純さ,デュアル構造保存支援機の分類能力,およびTrain Vector近似の信頼性を組み合わせたTrain Multi-way Multi-level Kernel(TT-MMK)を開発した。
実験により,TT-MMK法は通常より信頼性が高く,チューニングパラメータに敏感で,他の最先端技術と比較した場合のSVM分類において高い予測精度が得られた。
論文 参考訳（メタデータ） (2020-02-12T16:35:10Z) - Supervised Learning for Non-Sequential Data: A Canonical Polyadic
Decomposition Approach [85.12934750565971]
特徴相互作用の効率的なモデリングは、非順序的タスクに対する教師あり学習の基盤となる。
この問題を緩和するため、モデルパラメータをテンソルとして暗黙的に表現することが提案されている。
表現性を向上するため,任意の高次元特徴ベクトルに特徴写像を適用できるようにフレームワークを一般化する。
論文 参考訳（メタデータ） (2020-01-27T22:38:40Z)
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。