Fed-BRDECS：隐私保护与异质性感知的联邦深度嵌入聚类
Fed-BRDECS: Privacy-Preserving and Heterogeneity-Aware Federated Deep Embedded Clustering
精选理由
介绍兼顾隐私与数据异质性的联邦深度聚类方法，提升聚类及时序异常检测效果
AI 摘要
arXiv:2610.07399v1 公告类型：新 摘要：联邦深度聚类旨在从去中心化的无标签数据中学习有利于聚类的表示，同时保护客户端隐私。然而，Deep Embedded Clustering（DEC）风格的目标函数依赖于全局软分配统计信息，这要求客户端公开其敏感信息。我们提出了 Fed-BRDECS，一种隐私保护且具备异质性感知能力的联邦深度嵌入聚类框架。Fed-BRDECS 以可在本地计算的样本稳定性损失替代全局归一化聚类目标，从而避免传输本地软分配分布。为应对非独立同分布的客户端数据分布，我们引入了预测均衡采样，在无需真实标签的情况下对本地预测中较少见的簇进行过采样；同时引入中心级重启机制，定期刷新存在偏差或处于非活跃状态的中心。在图像和文本聚类基准上的实验表明，在独立同分布和非独立同分布划分下，Fed-BRDECS 均持续优于具有代表性的联邦聚类和深度聚类基线方法。我们进一步展示了其在联邦时间序列异常检测中的适用性：在不增加推理时开销的情况下，该方法提升了基于重构的检测器的性能。