Clustering multi-vista federado eficiente para la comunicación

Área de la Ciencia:

• Aprendizaje automático
• Ciencia de los datos
• Inteligencia artificial

Sus antecedentes:

• El agrupamiento federado de múltiples vistas (FMVC) permite agrupar datos para preservar la privacidad en clientes distribuidos.
• Los métodos FMVC existentes sufren de altos gastos generales de comunicación y una utilización insuficiente de las similitudes de datos para conjuntos de datos a gran escala.

Objetivo del estudio:

• Proponer un marco federado de agrupación de múltiples vistas eficiente para la comunicación.
• Abordar las limitaciones de los métodos existentes en relación con los costes de comunicación y la utilización de la similitud de los datos.

Principales métodos:

• Desarrolló un marco de aproximación de la representación de datos utilizando pseudoetiquetas compartidas y matrices centróidas.
• Incorporó una función de núcleo lineal para considerar efectivamente las similitudes de datos en pares sin computación explícita.
• Complejidad lineal alcanzada con respecto al número de muestras para la optimización.

Principales resultados:

• Demostró mejoras significativas con respecto a los métodos de agrupación multi-vista federados existentes.
• Logró una mejora de precisión promedio del 26,84% y una reducción de gastos generales de comunicación de hasta el 98,4%.
• Superó los enfoques centralizados de agrupación de múltiples vistas tanto en rendimiento como en eficiencia computacional, con aceleraciones sustanciales.

Conclusiones:

• El marco de agrupación multivisión federado eficiente para la comunicación propuesto reduce efectivamente los gastos generales de comunicación y mejora la eficiencia computacional.
• El método aprovecha con éxito las similitudes de los datos y logra un rendimiento de agrupación superior en comparación con los enfoques federados y centralizados existentes.
• Este marco ofrece una solución prometedora para tareas de agrupación de múltiples vistas a gran escala que preservan la privacidad.