通信効率のよい統合マルチビュー・クラスタリング

科学分野:

• 機械学習
• データサイエンス
• 人工知能

背景:

• 連邦化されたマルチビュークラスタリング (FMVC) は,分散型クライアントでプライバシー保護のデータグループ化を可能にします.
• 既存のFMVC方法は,通信オーバーヘッドが高く,大規模なデータセットのデータ類似性の利用が不十分である.

研究 の 目的:

• コミュニケーション効率の良い 統合されたマルチビュー・クラスタリングの枠組みを提案する.
• 通信コストとデータ類似性の利用に関する既存の方法の限界に対処する.

主な方法:

• 共有された擬似ラベルとセントロイド行列を使用してデータ表現を近似するフレームワークを開発しました.
• 明確な計算なしにペアウェイデータ類似性を効果的に考慮するための線形カーネル関数を取り入れた.
• 最適化のためのサンプルの数に関する線形的な複雑性.

主要な成果:

• 既存の統合されたマルチビュー・クラスタリング方法に比べ,有意な改善が示された.
• 平均精度が26.84%向上し,通信オーバーヘッドが98.4%まで減少しました.
• 性能と計算効率の両方において,集中的なマルチビュークラスタリングアプローチを上回り,実質的なスピードアップをもたらしました.

結論:

• 提案された通信効率の良い連結型マルチビュー・クラスタリング・フレームワークは,通信オーバーヘッドを効果的に削減し,計算効率を高めます.
• この方法は,データ類似性を成功裏に活用し,既存の統合型および集中型アプローチと比較して優れたクラスタリング性能を達成します.
• このフレームワークは,プライバシーを守る大規模なマルチビュークラスタリングタスクに有望な解決策を提供します.