論文の概要: VertCoHiRF: Decentralized Vertical Clustering Beyond k-means

• arxiv url: http://arxiv.org/abs/2602.07279v1
• Date: Sat, 07 Feb 2026 00:06:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-10 20:26:24.548109
• Title: VertCoHiRF: Decentralized Vertical Clustering Beyond k-means
• Title（参考訳）: VertCoHiRF: k平均を超える分散垂直クラスタリング
• Authors: Bruno Belucci, Karim Lounici, Vladimir R. Kostic, Katia Meziani,
• Abstract要約: VertCoHiRFは、ヘテロジニアスビューにおける構造的コンセンサスに基づく、垂直連合クラスタリングのための完全に分散化されたフレームワークである。 エージェントは独自のローカルビューをクラスタリングし、識別子レベルのコンセンサスを通じて提案を調整する。 通信の複雑さとロバスト性を分析し,垂直連合環境での競合クラスタリング性能を実証する実験を行った。
• 参考スコア（独自算出の注目度）: 7.0930706640450225
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Vertical Federated Learning (VFL) enables collaborative analysis across parties holding complementary feature views of the same samples, yet existing approaches are largely restricted to distributed variants of $k$-means, requiring centralized coordination or the exchange of feature-dependent numerical statistics, and exhibiting limited robustness under heterogeneous views or adversarial behavior. We introduce VertCoHiRF, a fully decentralized framework for vertical federated clustering based on structural consensus across heterogeneous views, allowing each agent to apply a base clustering method adapted to its local feature space in a peer-to-peer manner. Rather than exchanging feature-dependent statistics or relying on noise injection for privacy, agents cluster their local views independently and reconcile their proposals through identifier-level consensus. Consensus is achieved via decentralized ordinal ranking to select representative medoids, progressively inducing a shared hierarchical clustering across agents. Communication is limited to sample identifiers, cluster labels, and ordinal rankings, providing privacy by design while supporting overlapping feature partitions and heterogeneous local clustering methods, and yielding an interpretable shared Cluster Fusion Hierarchy (CFH) that captures cross-view agreement at multiple resolutions.We analyze communication complexity and robustness, and experiments demonstrate competitive clustering performance in vertical federated settings.
• Abstract（参考訳）: Vertical Federated Learning (VFL)は、同じサンプルの補完的な特徴ビューを持つパーティ間で協調的な分析を可能にするが、既存のアプローチは、主に$k$-meansの分散変種に制限され、集中的な調整や特徴に依存した数値統計の交換を必要とし、不均一なビューや敵対的な振る舞いの下で限られた堅牢性を示す。 ヘテロジニアスなビューにまたがる構造的コンセンサスに基づく,垂直結合クラスタリングのための完全に分散化されたフレームワークであるVertCoHiRFを導入し,各エージェントが,その局所的特徴空間にピアツーピアで適応したベースクラスタリング手法を適用できるようにする。 機能に依存した統計を交換したり、プライバシのノイズ注入に頼る代わりに、エージェントはローカルビューを独立してクラスタ化し、識別子レベルのコンセンサスを通じて提案を調整します。 コンセンサスは、特定のメディドードを選択するために、分散順序付けによって達成され、エージェント間の共有階層的クラスタリングを徐々に誘導する。 通信は、サンプル識別子、クラスタラベル、通常のランキングに限られており、重複する機能パーティションと異種ローカルクラスタリングメソッドをサポートしながら、設計によるプライバシを提供し、複数の解像度でクロスビュー合意をキャプチャする解釈可能な共有クラスタフュージョン階層(CFH)を提供する。通信の複雑さと堅牢性を分析し、垂直連邦環境での競合クラスタリング性能を実証する実験を行う。

関連論文リスト

• One-Shot Hierarchical Federated Clustering [51.490181220883905]
  本稿では,効率的な階層型クラスタリングフレームワークを提案する。 クライアント-エンドの分散探索とサーバ-エンドの分散アグリゲーションを実行する。 クライアント間の複雑なクラスタ分布を効率的に探索できることが判明した。
  論文  参考訳（メタデータ） (2026-01-10T02:58:33Z)
• A new type of federated clustering: A non-model-sharing approach [6.5347053452025206]
  本研究では,データ協調クラスタリング(DC-Clustering)を提案する。 DC-Clusteringは、水平と垂直の分割が共存する複雑なデータパーティショニングシナリオ上のクラスタリングをサポートする。 その結果,本手法は,すべてのデータがプールされている集中クラスタリングに匹敵するクラスタリング性能が得られた。
  論文  参考訳（メタデータ） (2025-06-11T23:57:26Z)
• Imputation-free and Alignment-free: Incomplete Multi-view Clustering Driven by Consensus Semantic Learning [65.75756724642932]
  不完全なマルチビュークラスタリングでは、欠落したデータがビュー内のプロトタイプシフトとビュー間のセマンティック不整合を誘導する。 コンセンサスセマンティクス学習(FreeCSL)のためのIMVCフレームワークを提案する。 FreeCSLは、最先端の競合他社と比較して、IMVCタスクの信頼性と堅牢な割り当てを実現している。
  論文  参考訳（メタデータ） (2025-05-16T12:37:10Z)
• FedCCL: Federated Dual-Clustered Feature Contrast Under Domain Heterogeneity [43.71967577443732]
  フェデレートラーニング(FL)は、エッジクライアントと中央サーバとのコラボレーションを通じて、プライバシ保護のニューラルネットワークトレーニングパラダイムを促進する。 最近の研究は、単に正規化の形式として平均的な信号を使い、これらの非IID課題の1つの側面にのみ焦点をあてることに限られている。 マルチクラスタ機能を持つコントラストベースのFLフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-04-14T13:56:30Z)
• Efficient Bilateral Cross-Modality Cluster Matching for Unsupervised Visible-Infrared Person ReID [56.573905143954015]
  本稿では, クラスタ間マッチングによるモダリティギャップを低減するための, クラスタマッチングに基づく新たな学習フレームワークを提案する。 このような監視信号の下では、クラスタレベルで特徴を協調的に整列させるために、モダリティ・特定・モダリティ・非依存(MSMA)コントラスト学習フレームワークが提案されている。 公開SYSU-MM01とRegDBデータセットの実験により,提案手法の有効性が示された。
  論文  参考訳（メタデータ） (2023-05-22T03:27:46Z)

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。