计算机工程

作者：雷一凡, 陈晓红

单位：南京航空航天大学数学学院, 江苏 南京 211106

关键词：多视图聚类,非负矩阵分解,联邦学习,去中心,隐私保护

基金：国家自然科学基金(11971231); 国家自然科学基金(12111530001)

在大数据时代, 存在大量多视图数据, 现有的多视图聚类方法大都把所有视图数据汇总到一起进行学习, 但在实际应用中, 不同视图的数据大多存储在不同的设备中, 甚至有些设备上的数据涉及隐私, 无法共享。如果把每个视图的数据视为分布式网络中的一个节点, 联邦学习则可有效解决数据无法共享和隐私保护的问题, 联邦多视图聚类正是将联邦学习引入多视图聚类而得到的一类方法。联邦学习利用中心服务器进行协调, 当中心服务器缺失或出现故障时, 该方法将失效。为此, 提出一种去中心的联邦多视图聚类(DFMC)方法。首先通过非负矩阵分解(NMF)学习每个视图的低维表示, 然后根据视图信息的一致性, 针对不同视图的低维表示给出一致性约束, 该约束可以实现邻居视图间的通信, 构建去中心的联邦学习环境, 得到一个统一的低维表示, 进而进行聚类。在此基础上, 使用交替极小化(AM)算法对每个视图分别进行求解, 从而实现隐私保护。在真实数据集上的实验结果验证了DFMC的有效性和收敛性。

来源：2025年第7期

《计算机工程》期刊编辑部

查看计算机工程杂志2025年第7期