面向异构数据的粒度足迹引导的个性化联邦模糊C均值聚类

《Fuzzy Sets and Systems》:Granular footprint guided personalized federated fuzzy C-means clustering for heterogeneous data

【字体: 大 中 小 】 时间:2026年10月01日 来源:Fuzzy Sets and Systems 3.1

编辑推荐:

   足迹相关性衡量每个全局模糊原型的局部支持度。相关性加权聚合可减少集群偏斜下的原型坍缩现象。个性化偏移仅针对语义上获得支持的原型进行调整。压力测试表明,该方法在局部和最差客户端聚类准确率上均有提升。 引言 模糊C均值(FCM)是模糊聚类和基于原型的模糊建模的基础方法[1],

  

足迹相关性衡量每个全局模糊原型的局部支持度。相关性加权聚合可减少集群偏斜下的原型坍缩现象。个性化偏移仅针对语义上获得支持的原型进行调整。压力测试表明,该方法在局部和最差客户端聚类准确率上均有提升。

引言

模糊C均值(FCM)是模糊聚类和基于原型的模糊建模的基础方法[1],[2]。其模糊隶属度提供了比硬分配更多的信息,在类别边界模糊、聚类重叠或原型后续被用作可解释模糊集时尤为有用。然而在许多当代应用中,学习这些原型所需的数据分布在医院、实验室、工业场地、能源用户或边缘设备之间。由于隐私、治理、带宽或机构限制,将记录汇集到中央仓库可能不可行。联邦学习为此类场景提供了一种自然的计算协议[3],[4],但联邦模糊聚类远不如监督联邦学习成熟。

联邦FCM(F-FCM)作为隐私感知模糊聚类的重要一步被提出[5]。在这种设置下,客户端在本地保留原始样本,而服务器协调全局原型的更新。后续研究探讨了联邦聚类验证、无损联邦CM/FCM、面向应用的模糊K均值以及多视图联邦模糊聚类[6],[7],[8],[9],[10],[11]。这些方法大多仍强调单一共享原型系统。这在联邦人群近似同质或目的是复现集中式聚类解决方案时是合适的。当客户端具有不同的局部集群支持时,这种方法则不那么令人满意。

难点不仅仅在于样本量不平等或全局分布非独立同分布。更尖锐的失效模式出现在集群支持异质性下:一个客户端可能只包含全局集群中某个子集的样本,而另一个客户端可能包含另一个子集。全局原型对某些客户端可能具有清晰的语义含义,但对其他客户端则没有有意义的局部支持。如果允许每个客户端调整每个全局原型,未获支持的原型可能漂移到无关的局部集群并重复已获支持的原型。相反,如果统一聚合所有局部估计,弱支持的客户端-原型对可能扭曲全局模型。两种效应都损害了结果原型的模糊集解释性。

本文探讨联邦模糊聚类算法如何判断全局原型对特定客户端是否具有局部意义。我们的答案是将粒状足迹信息从事后诊断转化为优化信号。粒计算强调在通过信息粒表示数据时,覆盖率和特定性的共同作用[12]。在F-FCM中,粒状足迹可以描述全局原型在多大程度上获得客户端数据的支持[5]。我们利用这一思想构建客户端-原型相关性值。局部足迹强的原型被允许影响本地个性化和服务器聚合;支持度弱的原型则被抑制而非自由移动。

所提出的方法称为粒状足迹引导的个性化联邦FCM(GF-PFedFCM),将每个局部原型分解为共享全局成分和相关性门控的局部偏移。该门控是刻意保守的:低足迹相关性并不意味着原型应被激进移动以适应客户端;它意味着该原型缺乏局部语义支持,应仅对该客户端的个性化聚类和服务器更新产生微弱贡献。这种设计尤其符合模糊建模的目标,其中原型的可解释性和语义稳定性与分配准确率同等重要。

主要贡献如下:
• 我们提出GF-PFedFCM,一种利用粒状足迹相关性对服务器端原型聚合和客户端个性化进行门控的个性化联邦模糊C均值方法。
• 我们提出全局-局部原型分解框架,其中未获支持的全局原型被收缩而非自由适应,在集群支持异质性下保持局部语义一致性。
• 我们提供了相关性加权更新的正式分析,包括具有有界性、归约至F-FCM、局部下降和服务器最优性命题的代理目标解释,以及对于模糊系统解读方法的重要方面——相关性缩放的偏移边界和隶属度稳定性边界,表明个性化模糊分区仅能在与测量的粒状支持成比例的范围内容偏离共享分区,同时提供通信和计算复杂度分析。
• 我们为联邦模糊聚类引入原型几何诊断指标,包括最小中心距离、Xie-Beni有效性[13]和有效原型使用率。
• 我们针对集中式、纯本地、模型平均、聚类联邦(IFCA)、近端个性化(FedProx风格和Ditto风格)和联邦FCM基线方法进行评估,使用合成压力测试、半真实特征基准、真实UCI基准以及更大规模的MNIST和字母基准,并进行消融、敏感性、可扩展性和开销研究。足迹门控提供了最强结果,尤其在为其设计的支持异质性条件下的最差客户端准确率方面表现突出,同时仅增加少量通信载荷,我们还界定了其边界情况(重度重叠、纯数量偏斜以及单一锚定全局方案即可服务所有客户端的设置)。

本文其余部分组织如下:第2节回顾模糊聚类、联邦模糊聚类、粒状足迹和个性化联邦学习。第3节介绍GF-PFedFCM框架、相关性门控更新、代理目标解释和复杂度分析。第4节报告合成压力测试、半真实和真实数据支持偏斜基准、表格健全性检查、消融和敏感性研究以及通信/运行时开销分析。第5节总结全文并概述未来方向。

章节摘要

模糊C均值与模糊聚类
FCM用原型表示每个聚类,并为每个样本分配对每个原型的隶属度[1],[2],[14]。这种软表示对于重叠聚类和下游模糊建模很有用,其中原型可被解释为模糊信息粒的中心;模糊隶属度和原型还驱动进一步的模糊系统任务,如TSK模糊建模和基于模糊聚类的共识分析[15],[16]。经典和现代变体已

问题设置
假设为具有P个客户端的水平联邦设置。客户端p拥有本地数据????={???????}??????=1,其中???????∈???。原始样本保留在客户端上。聚类数c和模糊化参数m>1为共享参数。服务器维护全局原型??={????}????=1。客户端p维护局部偏移Δ??={???????}????=1,其个性化原型集为????={???????}????=1,其中???????=????+???????。全局原型vj捕获共享结构,而δpj仅在原型j的情况下捕获客户端特定的细化

实验设计
实验评估粒状足迹相关性是否能在异质联邦模糊聚类下改善局部语义对齐。主要比较包括九种方法:对汇集数据进行集中式FCM(C-FCM)作为参考;在每个客户端上独立训练的本地FCM(L-FCM);模型平均联邦模糊聚类基线(MA-FCM),其中每个客户端将本地FCM拟合至收敛,服务器通过最小成本匹配对齐原型并取平均[8];

结论
本文提出GF-PFedFCM,一种粒状足迹引导的个性化联邦模糊C均值方法。核心思想是将足迹相关性视为全局原型的局部语义支持。该相关性对客户端个性化和服务器端聚合均进行门控,使得获支持的原型可以被局部细化,而未获支持的原型被抑制而非自由适应。结果表明该机制在集群支持方面特别有效

资金
本研究由中国福建省自然科学基金(批准号2024J01157)和福建理工大学科研基金项目(批准号GY-Z220212)资助。

代码和数据可用性
GF-PFedFCM及所有基线方法的实现、合成数据生成器和重现本文所有表格和图表的脚本将在接收后作为开源发布;如有需要,可在同行评审期间提供评审存档。所有数据集均为公开数据集:合成生成器包含在代码中,表格、半真实和真实基准使用scikit-learn内置数据集以及OpenML的pendigits和satimage数据集。

CRediT作者贡献声明
江春茂:写作—审阅与编辑,写作—原稿撰写,可视化,软件,形式化分析,概念化。

利益冲突声明
作者声明不存在已知的可能影响本文所报告工作的竞争性经济利益或个人关系。

江春茂
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号