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。