基于RSA和逻辑映射的混合加密框架

近日，我校计算机科学与技术学院丁世飞教授团队在联邦聚类领域研究中取得进展，研究成果以“Vertical Federated Density Peaks Clustering Under Nonlinear Mapping”为题发表在国际期刊IEEE Transactions on Knowledge and Data Engineering（IEEE TKDE，IF: 8.9）。论文第一作者为我校计算机应用技术专业2022级博士生李超，通信作者为丁世飞教授，中国矿业大学为第一完成单位。

随着多视图/多模态数据激增，多源异构数据融合成为联邦学习的重要方向。尽管密度峰值聚类（DPC）有多种改进，但在隐私保护方面研究较少。目前已有横向联邦DPC算法处理横向数据分布，但针对纵向联邦学习（VFL）尚无有效方法。鉴于纵向联邦学习（特征无交集）广泛的工业应用，扩展DPC至VFL更具意义。为此，本研究提出了一种纵向联邦密度峰值聚类算法。该方法基于一种通用的混合加密框架，在相邻客户端的一轮循环内便可安全计算全局距离矩阵，支持基于距离的聚类算法（如基于密度的聚类、谱聚类等）在纵向联邦学习环境中的扩展。新方法包括改进参数调整方式、避免簇中心的错误选择、削弱非中心分配中的累计误差等，进一步提高了密度峰值聚类的效果。上述研究工作得到了国家自然科学基金（No.62276265，No.62206296，No.62406326，No.61976216）的资助。

IEEE TKDE是业内公认的计算机科学、人工智能、数据挖掘领域国际高水平期刊，是中国计算机学会（CCF）认定的CCF A类期刊，中国人工智能学会（CAAI）认定的CAAI A类期刊。近年来，丁世飞教授带领的中国矿业大学-中国科学院智能信息处理联合实验室（Joint Lab of Intelligent Information Processing，CUMT-CAS）致力于人工智能与模式识别领域的研究，在IEEE TPAMI、IEEE TKDE、IEEE TNNLS、AAAI、计算机学报、软件学报等顶级期刊或会议上发表了一系列高水平标志性研究成果。

相关链接：https://www.computer.org/csdl/journal/tk/2025/02/10745553/21EKG0FK2T6