論文の概要: Federated Community Detection in Bipartite Networks

• arxiv url: http://arxiv.org/abs/2610.25997v1
• Date: Mon, 19 Oct 2026 08:21:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-24 03:05:02.864552
• Title: Federated Community Detection in Bipartite Networks
• Title（参考訳）: 二部ネットワークにおけるフェデレーションコミュニティ検出
• Abstract要約: FLICKER (FlicKER) は、所定のスペクトル目標に関連する特異な方向を回復する目標固有の勾配ベースのパワーイテレーションである。 FLICKER上に構築したBiFLICKERは,二部ネットワーク上でのフェデレーション付きコミュニティ検出を実現する。 LastFMのユーザアーチストネットワーク上では、国によって自然に分割され、Sequential BiFLICKERは集中クラスタリングに対して0.94のARIを達成する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: We study federated spectral estimation when a large matrix is horizontally partitioned across servers that cannot share raw data. We propose FLICKER, a target-specific gradient-based power iteration that recovers a singular direction associated with a prescribed spectral target using only matrix-vector products on local blocks. Different target directions can be recovered independently and in parallel. We establish non-asymptotic convergence guarantees and provide a recursive grid-search procedure for spectral target selection. Building on FLICKER, we develop BiFLICKER for federated community detection in bipartite networks, together with a sequential projected variant for nearby or repeated singular directions. Under a sparse bipartite stochastic block model, we show that properly rescaled leading singular values from a reference server provide valid global targets, and that Sequential BiFLICKER achieves a vanishing misclustering rate and exact recovery under stronger sparsity conditions. Simulations show that BiFLICKER remains close to centralized spectral clustering and is more robust than existing federated spectral baselines when local sample sizes are small. On a LastFM user-artist network naturally partitioned by country, Sequential BiFLICKER attains an overall ARI of 0.94 against centralized clustering while revealing cross-country communities with distinct listening profiles.
• Abstract（参考訳）: 本研究では,大規模行列を生データを共有できないサーバ間で水平に分割した場合のフェデレーションスペクトル推定について検討する。 本研究では,FLICKERを提案する。FLICKERは,局所ブロック上の行列ベクトル生成物のみを用いて,所定のスペクトル目標に関連付けられた特異な方向を復元する。 異なる目標方向を独立かつ並列に復元することができる。 我々は、非漸近収束保証を確立し、スペクトルターゲット選択のための再帰的グリッド探索手順を提供する。 FLICKER 上に構築したBiFLICKER は,周辺および繰り返しの特異な方向を連続的に投影した変種とともに,二部類ネットワーク上での連合コミュニティ検出のためのBiFLICKER を開発した。 スパースバイパーティイト確率的ブロックモデルでは,参照サーバからのリード特異値の適切な再スケールにより,有効なグローバルなターゲットが得られ,逐次BiFLICKERは,より強い空間条件下でのクラスタリング速度と正確なリカバリを実現する。 シミュレーションにより、BiFLICKERは集束スペクトルクラスタリングに近く、局所サンプルサイズが小さい場合、既存のスペクトルベースラインよりも頑健であることが示されている。 LastFMのユーザアーチストネットワーク上では、国によって自然に分割され、Sequential BiFLICKERは、中央集権的なクラスタリングに対して0.94のARIを獲得し、異なるリスニングプロファイルを持つクロスカントリーコミュニティを明らかにしている。

関連論文リスト

• RIPPLE in Still Water: Zero-Shot Clustering in Federated Learning with Wavelet Scattering Transform [51.56484100374058]
  クラスタ化されたフェデレートラーニング(FL)は、クライアントを同じローカル分布のグループに分割し、クラスタ毎に1つの特別なモデルを訓練する。 本稿では、各クライアントのローカルデータのスペクトル特性からクラスタ割り当てを完全にオフラインで計算するクラスタリングFLフレームワークであるRIPPLEを提案する。
  論文  参考訳（メタデータ） (2026-10-02T09:35:39Z)
• Imputation Meets Clustering: Exploiting Latent Subgroup Structure for Missing Data Recovery [52.29866804948133]
  本稿では、クラスタリングと命令を相互に強化する共最適化プロセスとして再構築するフレームワークであるCAGI(Cluster-Aware Generative Imputation)を提案する。 14のベンチマークデータセットと15の代表的なベースラインの実験は、CAGIの優位性を実証している。
  論文  参考訳（メタデータ） (2026-07-08T02:50:02Z)
• Representative Spectral Correlation Network for Multi-source Remote Sensing Image Classification [44.20355634294824]
  representative Spectral correlation Network (RSCNet) は、新しいマルチソース画像分類フレームワークである。 RSCNetはスペクトル選択と適応的相互作用を通じて課題に対処する。 3つの公開ベンチマークデータセットの実験では、RCCNetは最先端の手法と比較して優れたパフォーマンスを達成している。
  論文  参考訳（メタデータ） (2026-04-30T02:10:38Z)
• SCOPE: Semantic Coreset with Orthogonal Projection Embeddings for Federated learning [0.7799711162530713]
  現在のMLアプローチでは、非現実的なデータアグリゲーションを必要とするか、クラス不均衡のため失敗する。 SCOPEは,異常をフィルタし,冗長なデータを長期スキューに適応させる,フェデレートされたデータのためのコアセットフレームワークである。 SCOPEは、アップリンク帯域幅を128倍から512倍に削減しながら、競争力のあるグローバル精度と堅牢な収束をもたらす。
  論文  参考訳（メタデータ） (2026-03-13T13:24:12Z)
• VertCoHiRF: Decentralized Vertical Clustering Beyond k-means [7.0930706640450225]
  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。
  論文  参考訳（メタデータ） (2026-02-07T00:06:23Z)
• Federated Unsupervised Semantic Segmentation [14.64737842208937]
  本研究は,教師なしセマンティックイメージ(USS)におけるフェデレートラーニング(FL)の適用について検討する。 FUSSは、完全に分散化されたラベルなしセマンティックセグメンテーショントレーニングを可能にする最初のフレームワークである。 バイナリとマルチクラスのセグメンテーションタスクを含む、ベンチマークと実世界のデータセットの両方の実験は、FUSSがローカルのみのクライアントトレーニングを一貫して上回っていることを示している。
  論文  参考訳（メタデータ） (2025-05-29T09:43:55Z)
• 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)
• FedSpectral+: Spectral Clustering using Federated Learning [0.0]
  本稿では,データプライバシの問題と通信コストの増大を克服するために,FLを用いたスペクトルクラスタリングアルゴリズムを提案する。 FLは、ユーザの生データを収集するのではなく、各学習者のモデルパラメータを蓄積するプライバシー保護アルゴリズムである。 FedSpectralは、局所スペクトルクラスタリングラベルを使用して、類似性グラフを作成することで、グローバルスペクトルクラスタリングを集約するベースラインアプローチである。 最先端のアプローチであるFedSpectral+は、クライアント間で分散された生の情報にアクセスすることなく、グラフデータ全体を組み込むことで、グローバルなスペクトル埋め込みを学習するためにパワーメソッドを使用する。
  論文  参考訳（メタデータ） (2023-02-04T09:28:36Z)

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。