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

Vietnamese

Trong bài báo này, chúng tôi trình bày một cách tiếp cận tập hợp liên kết một lần mới dựa trên sự phát triển của tập hợp mờ và ẩn danh dựa trên shuffler. Trong tập hợp liên kết, mỗi vòng tiết lộ thông tin mô hình bổ sung cho máy chủ và có thể tăng cơ hội kết luận các thuộc tính của tập hợp dữ liệu địa phương, ngay cả khi các mẫu thô không bao giờ được chia sẻ. Do đó, ít trao đổi client-server và không liên kết là quan trọng, vì vậy thông tin được truyền không thể được gán cho bất kỳ khách hàng duy nhất. thuật toán tập hợp dữ liệu dòng dữ liệu, mà học trong một lần vượt qua dữ liệu, phù hợp tốt với tập hợp một lần

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