An Adaptive Federated Fuzzy C-Means Clustering With Nonindependently and Identically Distributed Data
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Federated Fuzzy C-Means (FCM) has received considerable attention due to the increasing need for privacy-conscious data analysis across diverse domains and sources in many real-world applications. Recent developments in federated FCM, however, are still in their infancy and largely unexplored. These methods struggle to handle nonindependent and identically distributed (non-iid) data. Moreover, critical hyperparameters, such as the number of iterations for local updates, are typically set manually, which can significantly affect the performance of federated clustering. To address these challenges, we introduce an Adaptive Federated FCM with an auxiliary model, named AF-FCM. In this approach, prior information from the auxiliary model, along with a proximal term in the local objective, mitigates the effects of the non-iid environment, enhancing both model robustness and effectiveness. Critical hyperparameters are adaptively adjusted using a proposed adaptive particle swarm optimization (APSO) algorithm, guided by a carefully designed fitness function. Within APSO, a nonlinear regression function adjusts the inertia weight, reducing the risk of convergence to local optima. In AF-FCM, global prototypes are refined using momentum gradient descent (MGD). Numerical experiments highlight the effectiveness and generalization performance of AF-FCM across various conditions, including heterogeneity variations, the number of clients, and the number of clusters. Comparative analysis against state-of-the-art federated clustering baseline methods validates the competitive performance of AF-FCM.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle