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

Portuguese

Neste artigo, apresentamos uma nova abordagem de agrupamento federado de um único tiro baseada em agrupamento fuzzy e anonimização baseada em shuffler. No agrupamento federado, cada rodada revela informações de modelo adicionais para o servidor e pode aumentar a oportunidade de inferir propriedades de conjuntos de dados locais, mesmo quando as amostras brutas nunca são compartilhadas. Consequentemente, menos trocas cliente-servidor e desligabilidade são importantes, de modo que as informações transmitidas não podem ser atribuídas a nenhum único cliente. Algoritmos de agrupamento de fluxo de dados, que aprendem em uma única passagem sobre os dados, alinham-se bem com o fede de um único tiro

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