Clustering federato evolutivo basato sui picchi di densità con anonimizzazione tramite mescolamento

Abstract degli autori

In questo articolo presentiamo un nuovo approccio al clustering federato in un solo round, basato sul clustering fuzzy evolutivo e sull’anonimizzazione tramite mescolamento. Nel clustering federato, ogni round rivela al server ulteriori informazioni sul modello e può aumentare le possibilità di dedurre proprietà dei dataset locali, anche quando i dati grezzi non vengono mai condivisi. Sono quindi importanti sia un minor numero di scambi tra client e server sia la non collegabilità, affinché le informazioni trasmesse non possano essere attribuite a un singolo client. Gli algoritmi di clustering per flussi di dati, che apprendono esaminando i dati una sola volta, si prestano bene all’apprendimento federato in un solo round, nel quale può bastare un unico round di comunicazione. Il metodo proposto, Evolving Federated Density Peak Clustering (eFDPC), combina il clustering fuzzy evolutivo di flussi di dati con il clustering basato sui picchi di densità in un contesto federato. Ogni client sviluppa in modo indipendente micro-cluster a partire da mini-batch di dati privati, aggiungendo e unendo cluster. Per limitare le comunicazioni, il clustering basato sui picchi di densità viene applicato ai micro-cluster appresi e vengono trasmessi soltanto i picchi selezionati, anziché gli interi modelli locali. Tra i client e il server viene introdotto un livello basato sul mescolamento per anonimizzare i contributi prima della ricostruzione e della selezione globale dei picchi. Consideriamo una variante che utilizza soltanto i picchi, eFDPC-P, e una variante con propagazione delle etichette sul server, eFDPC-G. Esperimenti su dataset benchmark sintetici e reali mostrano che, in contesti con un solo round, eFDPC supera i recenti metodi di riferimento per il clustering federato e si adatta a dati non-IID di dimensionalità più elevata.