論文の概要: Federated Clustering with Unknown Local and Global Cluster Cardinalities
- arxiv url: http://arxiv.org/abs/2609.36762v1
- Date: Tue, 29 Sep 2026 05:33:34 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-30 21:28:47.212933
- Title: Federated Clustering with Unknown Local and Global Cluster Cardinalities
- Title（参考訳）: 未知のローカルおよびグローバルクラスタカードによるフェデレーションクラスタリング
- Abstract要約: グローバルなクラスタ数を必要としないフェデレーションクラスタリングメソッド$K$は、各クライアントがローカル番号$K_g$を知っていると仮定する。
本稿では、どちらのカウントも知られていない2段階のフレームワークを提案する。
各クライアントはまず、自身のデータから$K_g$を推定し、FedGEMのようなローカルカウントを必要とするアグリゲータを使用して、真の値の代わりにこれらの見積を使用する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Federated clustering methods that do not require the global number of clusters $K$ still assume that each client knows its local number $K_g$. This assumption is hard to justify when clients know no more about their data than the server does, as in fault diagnosis across independently operated industrial sites. We propose a two-phase framework in which neither count is known: each client first estimates $K_g$ from its own data, and an aggregator that requires local counts, such as FedGEM, then uses these estimates in place of the true values. For the first phase we introduce Adaptive Split--Merge (ASM), which grows a spherical Gaussian mixture by BIC-driven splitting and then merges excess components. ASM uses no labels, selects its hyperparameters on held-out client data only, and makes no assumption about how clusters are shared across clients. We derive a closed-form split criterion whose critical cluster size falls with anisotropy and rises with dimension, and show empirically that over-fragmentation grows with the number of points per cluster, which federation divides among clients. Across eight datasets, ASM with FedGEM attains a mean ARI of 0.333, against 0.256 for the next best label-free estimator and 0.361 when the true local counts are supplied. It also gives the most reliable global estimates of $K$ and is robust when client size is decoupled from local cardinality.
- Abstract（参考訳）: グローバルなクラスタ数を必要としないフェデレーションクラスタリングメソッド$K$は、各クライアントがローカル番号$K_g$を知っていると仮定する。
この仮定は、クライアントがサーバーよりもデータについて何も知らない場合、独立して運用されている産業サイト全体の障害診断において、正当化するのは難しい。
まず、各クライアントが自身のデータから$K_g$を推定し、FedGEMなどのローカルカウントを必要とするアグリゲータを使用して、これらの推定値を真の値の代わりに利用する。
第1フェーズでは、ASM(Adaptive Split-Merge)を導入します。これは、BIC駆動分割により球状ガウス混合を成長させ、余剰成分をマージします。
ASMはラベルを使用せず、保持されたクライアントデータのみにハイパーパラメータを選択し、クラスタをクライアント間で共有する方法を仮定しない。
我々は, 臨界クラスタサイズが異方性によって減少し, 次元的に上昇する閉形式分割基準を導出し, 連合がクライアント間で分配されるクラスタ当たりの点数で過分分解が増加することを実証的に示す。
ASMとFedGEMは8つのデータセットで平均ARIは0.333で、真のローカルカウントが供給された場合は0.361である。
また、クライアントのサイズが局所基数から切り離された場合、最も信頼性の高いグローバルな見積は$K$であり、堅牢である。
関連論文リスト
- Federated Hierarchical Clustering with Automatic Selection of Optimal Cluster Numbers [13.396894845465468]
Federated Clustering(FC)は、分散およびプライバシ保護されたデータから、教師なしの方法でデータ分散パターンを探索する、新しくて有望なソリューションである。
我々はFed-$k*$-HCという新しいFCフレームワークを提案し、階層的クラスタリングによって探索されたデータ分布に基づいて最適なクラスタ数$k*$を自動的に決定できる。
論文 参考訳（メタデータ） (2026-03-13T05:58:35Z) - 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) - Asynchronous Federated Clustering with Unknown Number of Clusters [35.35189341303029]
フェデレートクラスタリング(FC)は、ラベルのない非独立なIdentically Distributed(非IID)データから知識をマイニングするために重要である。
本稿では,非同期クラスタ学習(AFCL)手法を提案する。
過剰な数のシードポイントを学習媒体としてクライアントに分散し、それらをクライアント全体にコーディネートしてコンセンサスを形成する。
論文 参考訳（メタデータ） (2024-12-29T03:56:32Z) - 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) - A Unified Framework for Center-based Clustering of Distributed Data [46.86543102499174]
我々は、ユーザのネットワーク上で動作する分散センターベースのクラスタリングアルゴリズムのファミリーを開発する。
私たちのフレームワークは、$K$-meansやHuber Losといった一般的なクラスタリング損失を含む、スムーズな凸損失関数の幅広いクラスを可能にします。
ブレグマン損失の特別の場合、固定点がロイド点の集合に収束することを示す。
論文 参考訳（メタデータ） (2024-02-02T10:44:42Z) - Timely Asynchronous Hierarchical Federated Learning: Age of Convergence [59.96266198512243]
クライアント-エッジ-クラウドフレームワークを用いた非同期階層型フェデレーション学習環境について検討する。
クライアントはトレーニングされたパラメータをエッジサーバと交換し、ローカルに集約されたモデルを更新する。
各クライアントの目標は、クライアントのタイムラインを維持しながら、グローバルモデルに収束することだ。
論文 参考訳（メタデータ） (2023-06-21T17:39:16Z) - Federated Generalized Category Discovery [68.35420359523329]
一般カテゴリー発見(GCD)は、未知のクラスからラベルのないサンプルをグループ化することを目的としている。
地域社会における近年の分権化の傾向に対応するため,フェデレーションGCD(Fed-GCD)という,実践的かつ困難な課題を導入する。
Fed-GCDの目標は、プライバシ保護された制約の下で、クライアントのコラボレーションによって汎用的なGCDモデルをトレーニングすることである。
論文 参考訳（メタデータ） (2023-05-23T14:27:41Z) - Efficient Distribution Similarity Identification in Clustered Federated
Learning via Principal Angles Between Client Data Subspaces [59.33965805898736]
クラスタ学習は、クライアントをクラスタにグループ化することで、有望な結果をもたらすことが示されている。
既存のFLアルゴリズムは基本的に、クライアントを同様のディストリビューションでグループ化しようとしている。
以前のFLアルゴリズムは、訓練中に間接的に類似性を試みていた。
論文 参考訳（メタデータ） (2022-09-21T17:37:54Z) - Secure Federated Clustering [18.37669220755388]
SecFCはセキュアなフェデレーションクラスタリングアルゴリズムであり、同時にユニバーサルパフォーマンスを実現する。
各クライアントのプライベートデータとクラスタセンターは、他のクライアントやサーバにリークされない。
論文 参考訳（メタデータ） (2022-05-31T06:47:18Z) - On the Convergence of Clustered Federated Learning [57.934295064030636]
統合学習システムでは、例えばモバイルデバイスや組織参加者といったクライアントは通常、個人の好みや行動パターンが異なる。
本稿では,クライアントグループと各クライアントを統一最適化フレームワークで活用する,新しい重み付きクライアントベースクラスタリングFLアルゴリズムを提案する。
論文 参考訳（メタデータ） (2022-02-13T02:39:19Z)
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。