Федеративные t-SNE и UMAP для визуализации распределенных данных
Federated t-SNE and UMAP for Distributed Data Visualization
2025-04-11
SCID: 54.1/a9bc5nwe
Discuss with AI
UMAPдифференциальная приватностьфедеративное обучениефедеративная спектральная кластеризацияt-SNE
Figures from the paper
Abstract (AI)
Визуализация многомерных данных имеет ключевое значение в эпоху больших данных, а такие методы, как t-SNE и UMAP, широко применяются в науке и технике. Однако большие данные часто распределены между несколькими центрами обработки данных и связаны с проблемами безопасности и конфиденциальности, что создает трудности для стандартных алгоритмов t-SNE и UMAP. Для решения этой задачи в работе предлагаются методы Fed-tSNE и Fed-UMAP, обеспечивающие визуализацию многомерных данных в рамках федеративного обучения без обмена данными между клиентами и передачи данных на центральный сервер. Основная идея Fed-tSNE и Fed-UMAP заключается в неявном обучении распределения данных в федеративном режиме с последующей оценкой глобальной матрицы расстояний для t-SNE и UMAP. Для дальнейшего усиления защиты конфиденциальности данных предлагаются методы Fed-tSNE+ и Fed-UMAP+. Кроме того, данный подход расширен на федеративную спектральную кластеризацию, что приводит к созданию алгоритмов кластеризации распределенных данных. Помимо новых алгоритмов, приведены теоретические гарантии оценки расстояний и сходства, а также проанализированы свойства дифференциальной конфиденциальности. Эксперименты на нескольких наборах данных показывают, что по сравнению с исходными алгоритмами снижение точности федеративных алгоритмов является незначительным.
Key Findings
1
Fed-tSNE и Fed-UMAP обеспечивают распределённую визуализацию многомерных данных без обмена данными между клиентами и передачи исходных данных на центральный сервер.
2
Для усиления защиты конфиденциальности данных предложены Fed-tSNE+ и Fed-UMAP+.
3
Подход расширен на спектральную кластеризацию, что позволяет кластеризовать данные, распределённые между несколькими клиентами.
4
Методы неявно обучают информацию о глобальном распределении данных посредством федеративного обучения и оценивают глобальную матрицу расстояний, необходимую для t-SNE и UMAP.
5
Теоретические гарантии охватывают оценивание расстояний и сходств; эксперименты на нескольких наборах данных показывают лишь незначительное снижение точности по сравнению с исходными алгоритмами.
Research Object
распределённые многомерные данные между несколькими центрами обработки данных/клиентами
Research Subject
федеративная визуализация и кластеризация с сохранением конфиденциальности, включая оценивание глобальных расстояний/сходства и точности при ограничениях распределённых данных
Publication Details
Publication Date
2025-04-11
Journal
Publisher
ISSN
Cited by
7
Open access PDF
Access Type
Author Information
Download PDF
Subscribe to digest