联邦聚类只传密度峰：一轮通信，客户端贡献经混洗后无法被服务器归因

联邦聚类现在可以只做一轮通信，客户端上传的不是完整本地模型，而是少量密度峰候选。 此前的联邦聚类方法基于迭代过程，反复进行本地重聚类与服务器聚合，多轮交换会增加通信开销，并使原型轨迹在轮次之间可被关联。 在合成与真实基准数据集上，eFDPC在单轮设置中优于近期联邦聚类基线，并在更高维、非独立同分布数据上可扩展。

每个客户端先在私有小批量上增量演化微簇，再在微簇上做密度峰选择，只把选中的峰传出去。 演化聚类原本按样本逐个在线学习，这里改为按小批量并行更新，以适配联邦学习不能逐样本上传更新的限制。 客户端与服务器之间加入混洗层，客户端把每个峰统计量拆成加性分片，混洗器打乱消息顺序，服务器在混合后重建峰值，因此不知道每个重建峰来自哪个客户端。

该方法面向水平联邦设置下的无监督聚类，客户端持有本地数据、服务器诚实但好奇，隐私保护聚焦于不暴露原始样本并保证客户端贡献不可关联。实验覆盖合成数据集与真实基准，包括高维的MNIST与KDD99，并给出客户端数、批大小与非独立同分布程度的敏感性结果。代码以PyTorch实现并公开。

当决策图平坦、没有明显密度峰时，峰选择与标签传播会对局部扰动和邻域构造敏感。整体质量依赖合并激进度与邻域大小等超参数，需要跨数据集一致选取。峰摘要相比纯中心点基线仍带来通信开销，混洗匿名层也增加系统复杂度与通信开销。实验中的峰数P由真实簇数给出，实际中该值未知；作者指出尚无无监督准则能可靠恢复真实簇数。