CCFC++：通过特征去相关化增强联邦聚类
原文中文，约300字，阅读约需1分钟。发表于：。通过与对比学习的结合，本研究对异构数据对群聚式对比联邦聚类（CCFC）的影响进行了理论和实证分析，发现数据异构性加剧了 CCFC 中的维度崩溃，并通过引入一个去相关度正则化器解决了这个问题，使 CCFC 的性能得到了显著提升，NMI 得分最高达到 0.32。
本文提出了一种新的对比学习框架，用于解决联邦学习中的数据异构性挑战。通过分析梯度更新的不一致性和特征表示分布的依赖性，提出了监督式对比学习（SCL）目标来减轻局部偏差。为了防止表示坍缩并增强特征可传递性，引入了放松的对比学习损失。实验结果表明，该框架在标准基准上比现有的联邦学习方法更优。
