Федеративная гибкая кластеризация посредством общего сокращения общих изменений

Статистические данные > Машинное обучение [представлено 16 сентября 2026 года] Название: Federated Shoft Classing посредством общего обзора общей разницы с целью сведения к минимуму HTML (экспериментального) резюме: Мы изучаем федеративное мягкое кластерирование по сети федерального обучения (ФЛ), в которой каждый имеет частный набор местных данных и соответствует персональной гассианской модели смеси (ГММ). Всеобщая общая минимизация вариаций (GTVMin) объединяет местные проблемы максимальной вероятности с помощью графического регуляризатора, который устанавливает наказание за несоответствие между моделями подключенных узлов. Выбор показателя несоответствия является ключевым конструктивным решением: мы сравниваем квадратное расстояние между параметрами модели, которое требует сопоставления компонентов с двумя показателями непосредственного сравнения распределения местных моделей и поэтому не нужно сопоставлять: отклонение от Kullback-Leibr (KL) в Монте-Карло приблизительное расхождение и максимальное среднее несоответствие закрытой формы (MMD). Все три случая GTVMin оптимизируются путем синхронных прогнозов градиентных изменений; для бесперебойного MMD-образца мы обеспечиваем гарантии конвергенции стационарных точек. Мы характеризуем их вычислительную стоимость и оцениваем ее надежность с точки зрения неоднородности данных. Текущий контекст просмотра: stat.ML ссылки и цитаты Загрузка... Библиографический и цитационно-инструментальный библиолог (Что является Исследовательом?)…