ترجمه فارسی مقاله خوشه بندی فدرال: یک آموزش خوشه ای بدون نظارت برای توزیع غیرمتمرکز داده ها

چکیده

Federated Learning (FL) is a pivotal approach in decentralized machine learning, especially when data privacy is crucial and direct data sharing is impractical. While FL is typically associated with supervised learning, its potential in unsupervised scenarios is underexplored. This paper introduces a novel unsupervised federated learning methodology designed to identify the complete set of categories (global K) across multiple clients within label-free, non-uniform data distributions, a process known as Federated Clustering. Our approach, Federated Cluster-Wise Refinement (FedCRef), involves clients that collaboratively train models on clusters with similar data distributions. Initially, clients with diverse local data distributions (local K) train models on their clusters to generate compressed data representations. These local models are then shared across the network, enabling clients to compare them through reconstruction error analysis, leading to the formation of federated groups.In these groups, clients collaboratively train a shared model representing each data distribution, while continuously refining their local clusters to enhance data association accuracy. This iterative process allows our system to identify all potential data distributions across the network and develop robust representation models for each. To validate our approach, we compare it with traditional centralized methods, establishing a performance baseline and showcasing the advantages of our distributed solution. We also conduct experiments on the EMNIST and KMNIST datasets, demonstrating FedCRef’s ability to refine and align cluster models with actual data distributions, significantly improving data representation precision in unsupervised federated settings.

چکیده به فارسی (ترجمه ماشینی)

یادگیری فدرال (FL) یک رویکرد مهم در یادگیری ماشین غیرمتمرکز است ، به ویژه هنگامی که حفظ حریم خصوصی داده ها بسیار مهم است و اشتراک مستقیم داده ها غیر عملی است.در حالی که FL به طور معمول با یادگیری تحت نظارت همراه است ، پتانسیل آن در سناریوهای بدون نظارت از بین می رود.در این مقاله یک روش یادگیری فدراسیون بدون نظارت جدید به منظور شناسایی مجموعه کامل دسته ها (جهانی K) در چندین مشتری در توزیع داده های بدون برچسب و غیر یکنواخت ، فرایندی شناخته شده به عنوان خوشه بندی فدرال ارائه شده است.رویکرد ما ، پالایش خوشه ای فدرال (FedCref) ، مشتریانی را درگیر می کند که به طور مشترک مدل ها را بر روی خوشه ها با توزیع داده های مشابه آموزش می دهند.در ابتدا ، مشتریانی که دارای توزیع داده های محلی متنوع (K) هستند ، مدل ها را در خوشه های خود آموزش می دهند تا نمایش داده های فشرده شده را تولید کنند.این مدل های محلی سپس در سراسر شبکه به اشتراک گذاشته می شوند و به مشتریان این امکان را می دهند تا آنها را از طریق تجزیه و تحلیل خطای بازسازی مقایسه کنند و منجر به تشکیل گروههای فدرال شده شوند. در این گروه ها ، مشتریان به طور مشترک یک مدل مشترک را آموزش می دهند که نشان دهنده هر توزیع داده ها است ، در حالی که به طور مداوم خوشه های محلی خود را به سمتدقت انجمن داده ها را افزایش دهید.این فرآیند تکراری به سیستم ما اجازه می دهد تا کلیه توزیع داده های بالقوه را در سراسر شبکه شناسایی کرده و مدل های بازنمایی قوی را برای هر یک توسعه دهد.برای اعتبارسنجی رویکرد خود ، ما آن را با روشهای متمرکز سنتی مقایسه می کنیم ، یک پایه عملکرد را ایجاد می کنیم و مزایای راه حل توزیع شده ما را نشان می دهیم.ما همچنین آزمایشاتی را در مورد مجموعه داده های EMNIST و KMNIST انجام می دهیم ، که نشان دهنده توانایی فدرال برای اصلاح و تراز کردن مدلهای خوشه ای با توزیع داده های واقعی است ، به طور قابل توجهی دقت نمایندگی داده ها را در تنظیمات فدرال نشده نظارت نشده بهبود می بخشد.