כתבה
arXiv cs.LG ·
Fed-BRDECS: פרויקט חדש לקבוצתי עם פרטיות
Fed-BRDECS: Privacy-Preserving and Heterogeneity-Aware Federated Deep Embedded Clustering
Fed-BRDECS היא פרויקט חדש שמטרתו ללמד קבוצתי עם פרטיות והתחשבות בשונות. הפרויקט כולל שימוש ב-LangGraph ובאוטוג'נרציה.
תקציר מקורי באנגליתarXiv:2610.07399v1 Announce Type: new Abstract: Federated deep clustering seeks to learn clustering-friendly representations from decentralized unlabeled data while preserving client privacy. However, Deep Embedded Clustering (DEC)-style objectives depend on global soft-assignment statistics that require clients to reveal their sensitive information. We propose Fed-BRDECS, a privacy-preserving and heterogeneity-aware federated deep embedded clustering framework. Fed-BRDECS replaces the globally normalized clustering objective with a locally computable sample-stability loss, avoiding the transmission of local soft-assignment distributions. To tackle non-IID client distributions, we introduce prediction-balanced sampling, which oversamples locally rare predicted clusters without requiring gr
קרא במקור המקורי
arxiv.org
פתח כתבה מקורית