순서가 있습니다. 포털 넷(연구방·지식센터·커뮤니티·아카데미)을 먼저 담고,
SSRA 는 맨 나중에 담아 주세요. SSRA 를 먼저 담으면 나머지가 그 안에 포함된 것으로
잡혀 따로 담기지 않습니다. 아이콘도 담을 차례대로 놓았습니다 — 왼쪽부터 차례로 누르시면 됩니다.
Evolving federated density peak clustering with shuffler-based anonymization
Miha Ožbot, Seiichi Ozawa, Igor Škrjanc · Evolving Systems · 2026년 · 조회 19
왜 이 논문인가 — 선정 기준
NEW PAPER · 최근 발표된 참신한 논문 — 게재일 기준 최신 + 정상 등재 저널
2026-10 발표 · 게재 2일차 · Evolving Systems
NEW 슬롯은 최신성과 참신성을 중시하는데, 2026년 10월에 발표된 이 논문은 연합 클러스터링에 새로운 익명화 기법과 일회성 학습 프레임워크를 도입한 점이 최신성·참신성에 부합한다.
논문 요약
본 논문은 원시 데이터를 공유하지 않으면서도 클라이언트와 서버 간 교환을 최소화하고 연합 학습에서의 추론 위험을 줄이기 위해, 진화형 퍼지 데이터 스트림 클러스터링과 밀도 피크 클러스터링을 결합한 일회성 연합 클러스터링(eFDPC) 방법을 제안한다. 각 클라이언트는 샤플러 기반 익명화 메커니즘을 통해 마이크로 클러스터를 독립적으로 진화시키며, 단일 통신 라운드만으로 전체 모델을 구성한다. 이 접근은 데이터 스트림 환경에 적합한 일회성 연합 학습 패러다임과 잘 맞는다.
후속 연구설계에 활용하기
후속 연구에서는 샤플러 기반 익명화 강도와 클러스터링 정확도 간의 트레이드오프를 변수로 설정하거나, eFDPC를 베이스라인으로 활용해 다양한 데이터 스트림 시나리오에서 프라이버시와 효율성을 비교할 수 있다.
핵심어
연합 학습클러스터링데이터 스트림익명화
실존 확인
이 논문은 OpenAlex에서 후보로 수집한 뒤, Crossref에 등록된 DOI와 제목 일치를 확인해 노출합니다.
SSRA가 문헌연구에서 인용 논문의 실재 여부를 검증하는 원칙과 같습니다.