論文の概要: Towards Federated Clustering: A Client-wise Private Graph Aggregation Framework

• arxiv url: http://arxiv.org/abs/2511.10915v1
• Date: Fri, 14 Nov 2025 03:05:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-17 22:42:18.406897
• Title: Towards Federated Clustering: A Client-wise Private Graph Aggregation Framework
• Title（参考訳）: フェデレーションクラスタ化に向けて - クライアント指向のプライベートグラフ集約フレームワーク
• Authors: Guanxiong He, Jie Wang, Liaoyuan Tang, Zheng Wang, Rong Wang, Feiping Nie,
• Abstract要約: フェデレーションクラスタリングは、分散化されたラベルのないデータからパターンを抽出する課題に対処する。 本研究では,プライバシ保護のための知識共有媒体として,局所構造グラフを革新的に活用する新しいアルゴリズムSPP-FGCを提案する。 我々のフレームワークは最先端のパフォーマンスを実現し、認証可能なプライバシー保証を維持しつつ、フェデレーションベースラインよりも最大10%(NMI)のクラスタリング精度を向上させる。
• 参考スコア（独自算出の注目度）: 57.04850867402913
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Federated clustering addresses the critical challenge of extracting patterns from decentralized, unlabeled data. However, it is hampered by the flaw that current approaches are forced to accept a compromise between performance and privacy: \textit{transmitting embedding representations risks sensitive data leakage, while sharing only abstract cluster prototypes leads to diminished model accuracy}. To resolve this dilemma, we propose Structural Privacy-Preserving Federated Graph Clustering (SPP-FGC), a novel algorithm that innovatively leverages local structural graphs as the primary medium for privacy-preserving knowledge sharing, thus moving beyond the limitations of conventional techniques. Our framework operates on a clear client-server logic; on the client-side, each participant constructs a private structural graph that captures intrinsic data relationships, which the server then securely aggregates and aligns to form a comprehensive global graph from which a unified clustering structure is derived. The framework offers two distinct modes to suit different needs. SPP-FGC is designed as an efficient one-shot method that completes its task in a single communication round, ideal for rapid analysis. For more complex, unstructured data like images, SPP-FGC+ employs an iterative process where clients and the server collaboratively refine feature representations to achieve superior downstream performance. Extensive experiments demonstrate that our framework achieves state-of-the-art performance, improving clustering accuracy by up to 10\% (NMI) over federated baselines while maintaining provable privacy guarantees.
• Abstract（参考訳）: フェデレーションクラスタリングは、分散化されたラベルのないデータからパターンを抽出する上で重要な課題に対処する。 しかし、現在のアプローチではパフォーマンスとプライバシの妥協を受け入れざるを得ないという欠陥によって妨げられている。 \textit{transmitting embeddedding representations risk sensitive data leakage, and sharing only abstract cluster prototypes to reduceed model accuracy}。 このジレンマを解決するために、我々は、従来の手法の限界を超えて、局所構造グラフをプライバシ保存知識共有の媒体として革新的に活用する新しいアルゴリズムである、構造化プライバシ保存フェデレートグラフクラスタリング(SPP-FGC)を提案する。 クライアント側では、各参加者が固有のデータ関係をキャプチャするプライベートな構造グラフを構築し、それをサーバが安全に集約して整合させ、統合されたクラスタリング構造が導出される包括的なグローバルグラフを形成する。 このフレームワークは、異なるニーズに合う2つの異なるモードを提供する。 SPP-FGCは、1回の通信ラウンドでタスクを完了させる効率的なワンショット方式として設計されており、迅速な解析に理想的である。 画像のようなより複雑な非構造化データに対して、SPP-FGC+は、クライアントとサーバが協調して機能表現を洗練し、より優れたダウンストリームパフォーマンスを実現する反復的なプロセスを採用している。 大規模な実験により、我々のフレームワークは最先端のパフォーマンスを実現し、認証可能なプライバシ保証を維持しつつ、フェデレーションベースライン上でのクラスタリング精度を最大10倍(NMI)向上することを示した。

関連論文リスト

• OmniFC: Rethinking Federated Clustering via Lossless and Secure Distance Reconstruction [10.326927761316986]
  フェデレーションクラスタリングは、生データを共有せずに、分散クライアント全体にわたるグローバルクラスタ構造を見つけることを目的としている。 1)コラボレーション中のプライバシー漏洩と,(2)プロキシ情報の集約による堅牢性低下の2つが重要な課題である。 我々は,統一的でモデルに依存しないフレームワークであるOmni Federated Clusteringを提案する。
  論文  参考訳（メタデータ） (2025-05-19T13:04:59Z)
• Hybrid-Regularized Magnitude Pruning for Robust Federated Learning under Covariate Shift [2.298932494750101]
  クライアント側トレーニング分布の不整合がフェデレート学習モデルの性能を著しく低下させることを示す。 本稿では,ニューラルネットワークの疎結合性,冗長性,堅牢性を改善するために,フラニングとクライアントトレーニングの正規化を組み合わせた新しいFLフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-12-19T16:22:37Z)
• Federated Temporal Graph Clustering [9.779760673367663]
  時間グラフクラスタリングは、時間とともに関係や実体が変化する動的なグラフにおいて意味のある構造を発見する複雑なタスクである。 既存の方法は一般的に集中的なデータ収集を必要とし、これはプライバシーと通信上の重大な課題を引き起こす。 複数のクライアントをまたいだグラフニューラルネットワーク(GNN)の分散トレーニングを可能にする新しいフェデレーション時間グラフクラスタリングフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-10-16T08:04:57Z)
• Decoupled Subgraph Federated Learning [57.588938805581044]
  複数のクライアントに分散したグラフ構造化データに対するフェデレーション学習の課題に対処する。 我々は、このシナリオのための新しいフレームワーク、FedStructを紹介します。 半教師付きノード分類のための6つのデータセットを用いて実験結果を用いてFedStructの有効性を検証する。
  論文  参考訳（メタデータ） (2024-02-29T13:47:23Z)
• Efficient Multi-View Graph Clustering with Local and Global Structure Preservation [59.49018175496533]
  局所・グローバル構造保存を用いた効率的なマルチビューグラフクラスタリング(EMVGC-LG)という,アンカーベースのマルチビューグラフクラスタリングフレームワークを提案する。 具体的には、EMVGC-LGがクラスタリング品質を向上させるために、アンカー構築とグラフ学習を共同で最適化する。 さらに、EMVGC-LGはサンプル数に関する既存のAMVGCメソッドの線形複雑性を継承する。
  論文  参考訳（メタデータ） (2023-08-31T12:12:30Z)
• Differentially Private Federated Clustering over Non-IID Data [59.611244450530315]
  クラスタリングクラスタ(FedC)問題は、巨大なクライアント上に分散されたラベルなしデータサンプルを、サーバのオーケストレーションの下で有限のクライアントに正確に分割することを目的としている。 本稿では,DP-Fedと呼ばれる差分プライバシー収束手法を用いた新しいFedCアルゴリズムを提案する。 提案するDP-Fedの様々な属性は、プライバシー保護の理論的解析、特に非識別的かつ独立に分散された(非i.d.)データの場合において得られる。
  論文  参考訳（メタデータ） (2023-01-03T05:38:43Z)

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。