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

Hindi

इस लेख में, हम एक नए एक-शॉट गठबंधन क्लस्टरिंग दृष्टिकोण की पेशकश करते हैं जो विकसित गड़बड़ क्लस्टरिंग और शूफलर-आधारित एनीमेशन पर आधारित है। गठबंधन क्लस्टरिंग में, प्रत्येक दौर सर्वर को अतिरिक्त मॉडल जानकारी प्रकट करता है और स्थानीय डेटासेट्स के गुणों को निष्कर्षित करने का अवसर बढ़ा सकता है, यहां तक कि जब कच्चे नमूने कभी साझा नहीं किए जाते हैं। परिणामस्वरूप, कम क्लाइंट-सेवर एक्सचेंज और अविश्वसनीयता महत्वपूर्ण हैं, इसलिए स्थानांतरित जानकारी को किसी भी एकल क्लाइंट के लिए जिम्मेदार नहीं किया जा सकता है। डेटा-स्ट्रीम क्लस्टरिंग एल्गोरिदम, जो डेटा पर एक ही पास में सीखते

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