論文の概要: Communication-Efficient Federated Multi-View Clustering via View-Aware Quantization
- arxiv url: http://arxiv.org/abs/2611.15270v1
- Date: Wed, 11 Nov 2026 10:00:35 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-14 01:36:33.097511
- Title: Communication-Efficient Federated Multi-View Clustering via View-Aware Quantization
- Title(参考訳): ビューアウェア量子化による通信効率の良いフェデレーション・マルチビュークラスタリング
- Abstract要約: フェデレートされたマルチビュークラスタリング(FedMVC)は、最近、複数のクライアントにまたがる補完的なクラスタリング構造を利用する能力に注目が集まっている。
既存のFedMVC法は、しばしば高次元表現の繰り返し伝達により、高い通信オーバーヘッドに悩まされる。
通信効率の高いFedMVCのためのビューアウェア量子化アルゴリズムを提案する。
- 参考スコア(独自算出の注目度): 2.882559920237847
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Federated multi-view clustering (FedMVC) has recently attracted increasing attention for its ability to exploit complementary clustering structures across multiple clients while preserving data privacy. However, existing FedMVC methods often suffer from high communication overhead due to the repeated transmission of high-dimensional representations, which limits their scalability in practical federated systems. Moreover, different views may contribute unequally to the clustering performance, calling for adaptive communication strategies. In this paper, we propose a view-aware quantization algorithm for communication-efficient FedMVC. By dynamically assigning quantization bits based on iteratively updated view importance scores, the proposed algorithm effectively balances clustering performance and communication efficiency under a global bit budget constraint. To validate its generality, we integrate our approach into four state-of-the-art FedMVC methods. Extensive experiments on multiple benchmark datasets demonstrate that view-aware quantization achieves up to 6.59x communication reduction while maintaining and in some cases surpassing baseline clustering performance, confirming the effectiveness and scalability of the proposed approach.
- Abstract(参考訳): フェデレートされたマルチビュークラスタリング(FedMVC)は、データプライバシを保ちながら、複数のクライアントにわたる補完的なクラスタリング構造を活用できることから、最近注目を集めている。
しかし、既存のFedMVC法は、しばしば高次元表現の繰り返し伝達による通信オーバーヘッドに悩まされ、実用的なフェデレーションシステムにおけるスケーラビリティが制限される。
さらに、異なるビューはクラスタリングのパフォーマンスに不平等に寄与し、適応的な通信戦略を要求します。
本稿では,通信効率の高いFedMVCのためのビューアウェア量子化アルゴリズムを提案する。
繰り返し更新されたビュー重要度スコアに基づいて量子化ビットを動的に割り当てることにより、提案アルゴリズムはグローバルビット予算制約の下でクラスタリング性能と通信効率を効果的にバランスさせる。
一般性を検証するため,我々は4つのFedMVC手法にアプローチを統合する。
複数のベンチマークデータセットに対する大規模な実験により、ビューアウェアの量子化は最大6.59倍の通信削減を実現し、場合によってはベースラインクラスタリング性能を超え、提案手法の有効性とスケーラビリティを確認している。
関連論文リスト
- Incomplete Multi-view Clustering via Diffusion Contrastive Generation [10.303281347345955]
拡散コントラスト生成 (Diffusion Contrastive Generation, DCG) と呼ばれる新しいIMVC法を提案する。
DCGは分布特性を学習し、フォワード拡散および逆復調処理をビュー内データに適用することによりクラスタリングを強化する。
インスタンスレベルとカテゴリレベルの対話型学習を統合し、マルチビューデータで利用可能な一貫性のある補完的な情報を活用する。
論文 参考訳(メタデータ) (2025-03-12T09:27:25Z) - An Adaptive Framework for Multi-View Clustering Leveraging Conditional Entropy Optimization [0.0]
マルチビュークラスタリング(MVC)は、データから貴重な洞察を抽出する強力な手法として登場した。
既存のMVCメソッドは、ビュー間の一貫性と補完性を効果的に定量化するのに苦労しています。
本稿では,適応重み付けアルゴリズムとパラメータ分離深度モデルを統合する新しいフレームワークCE-MVCを提案する。
論文 参考訳(メタデータ) (2024-12-23T15:21:55Z) - Revisiting Self-Supervised Heterogeneous Graph Learning from Spectral Clustering Perspective [52.662463893268225]
自己教師付きヘテロジニアスグラフ学習(SHGL)は様々なシナリオにおいて有望な可能性を示している。
既存のSHGLメソッドには2つの大きな制限がある。
ランクと二重整合性制約によって強化された新しいフレームワークを導入する。
論文 参考訳(メタデータ) (2024-12-01T09:33:20Z) - DWCL: Dual-Weighted Contrastive Learning for Multi-View Clustering [9.945837095280256]
マルチビュークラスタリングのためのDWCL(Dual-Weighted Contrastive Learning)と呼ばれる新しいモデルを提案する。
具体的には、信頼性の低いクロスビューの影響を軽減するために、革新的なBest-Other(B-O)コントラスト機構を導入する。
ビュー品質重みとビュー差重みを反映し、ビュー品質重みを両立させる2重み付け戦略を開発した。
論文 参考訳(メタデータ) (2024-11-26T11:57:20Z) - Semantic Equitable Clustering: A Simple and Effective Strategy for Clustering Vision Tokens [57.37893387775829]
我々はSemantic Equitable Clustering(SEC)という,高速かつバランスの取れたクラスタリング手法を導入する。
SECは、グローバルなセマンティックな関連性に基づいてトークンを効率的かつ直接的な方法でクラスタ化する。
視覚言語コネクタとして機能する汎用視覚バックボーンであるSECViTを提案する。
論文 参考訳(メタデータ) (2024-05-22T04:49:00Z) - 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) - Semi-supervised multi-view concept decomposition [30.699496411869834]
概念因子化(CF)は、マルチビュークラスタリングタスクにおいて優れた性能を示している。
そこで我々は,SMVCFという,新しい半教師付き多視点概念分解モデルを提案する。
SMVCFの性能を評価するために,4つの多様なデータセットの実験を行った。
論文 参考訳(メタデータ) (2023-07-03T10:50:44Z) - Unsupervised Multi-view Clustering by Squeezing Hybrid Knowledge from
Cross View and Each View [68.88732535086338]
本稿では,適応グラフ正規化に基づくマルチビュークラスタリング手法を提案する。
5つの多視点ベンチマークの実験結果から,提案手法が他の最先端手法をクリアマージンで上回ることを示す。
論文 参考訳(メタデータ) (2020-08-23T08:25:06Z) - Learning to Cluster Faces via Confidence and Connectivity Estimation [136.5291151775236]
重複する部分グラフを多数必要とせず,完全に学習可能なクラスタリングフレームワークを提案する。
提案手法はクラスタリングの精度を大幅に向上させ,その上で訓練した認識モデルの性能を向上させるが,既存の教師付き手法に比べて桁違いに効率的である。
論文 参考訳(メタデータ) (2020-04-01T13:39:37Z)
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。