Newest papers

Evolving Federated Density Peak Clustering with Shuffler-Based Anonymization

Miha Ožbot, Seiichi Ozawa, Igor Škrjanc · 2026 · arXiv

DOI: 10.48550/arXiv.2610.31211 · open-access PDF

German

In diesem Papier präsentieren wir einen neuen One-Shot-Federated-Clustering-Ansatz, der auf der sich entwickelnden fuzzy-Clustering- und shuffler-basierten Anonymisierung basiert. Bei Federated-Clustering enthüllt jede Runde zusätzliche Modellinformationen an den Server und kann die Möglichkeit erhöhen, Eigenschaften lokaler Datensätze abzuleiten, selbst wenn rohe Proben nie geteilt werden. Folglich sind weniger Client-Server-Austausch und Unlinkability wichtig, so dass die übertragenen Informationen nicht einem einzelnen Client zugeordnet werden können. Datenstrom-Clustering-Algorithmen, die in einem einzigen Pass über die Daten lernen, passen gut mit dem One-Shot-Fede zusammen.

Machine translation (Meta M2M100); the English original follows.

Abstract

In this paper, we present a novel one-shot federated clustering approach based on evolving fuzzy clustering and shuffler-based anonymization. In federated clustering, each round reveals additional model information to the server and can increase the opportunity to infer properties of local datasets, even when raw samples are never shared. Consequently, fewer client-server exchanges and unlinkability are important, so transmitted information cannot be attributed to any single client. Data-stream clustering algorithms, which learn in a single pass over the data, align well with the one-shot fede

Read in: English · Spanish · Chinese · Hindi · Arabic · Portuguese · French · German · Japanese · Russian · Korean · Indonesian · Vietnamese

Sources: OpenAlex (CC0), arXiv, Crossref. Agent Exchange