Federated Incomplete Multi-View Clustering with Heterogeneous Graph Neural Networks

联邦多视角聚类为利用分布在多个设备上的数据开发全局聚类模型提供了可能。然而，当前的方法面临着没有标签信息和数据隐私至关重要的挑战。一个重要问题是多视角数据中的特征异质性，这使得有效挖掘互补聚类信息变得复杂。此外，分布式环境中多视角数据的固有不完整性可能会进一步复杂化聚类过程。为了解决这些挑战，我们引入了一种基于异构图神经网络的不完整联邦多视角聚类框架（FIM-GNNs）。在所提出的FIM-GNNs中，利用异构图神经网络模型构建的自编码器用于在每个客户端站点对多视角数据进行特征提取。在服务器级别上，来自每个客户端重叠样本的异构特征被聚合成全局特征表示。在服务器上生成全局伪标签以增强处理不完整视图数据的能力，这些标签作为在不同数据视图之间集成和优化聚类过程的指南。在公共基准数据集上进行了全面的实验，以验证所提出的FIM-GNNs与最先进算法之间的性能差异。

论文旨在解决分布式多视图聚类中标签信息缺失和数据隐私保护的问题，以及多视图数据特征异质性和不完整性带来的挑战。

论文提出了一种基于异构图神经网络的联邦不完整多视图聚类框架（FIM-GNNs），通过在客户端使用自编码器进行特征提取，然后在服务器端聚合和整合异构特征，并生成全局伪标签来指导聚类过程。

论文在公共基准数据集上进行了实验，证明了FIM-GNNs相比于现有算法的优越性。值得关注的是，该框架在处理多视图数据特征异质性和不完整性方面具有较好的性能。

最近的相关研究包括：Multi-View Clustering (MVC)、Federated Learning (FL)、Graph Neural Networks (GNNs)等。