摘要
医疗、金融和社交媒体领域中多源、多视角数据的快速增长，增加了对能够整合多样化视角同时保护数据隐私和局部性的无监督学习方法的需求。联邦学习（FL）能够在不共享原始数据的情况下实现协作模型训练，但其应用于多视图聚类（MVC）的研究仍处于初步阶段。本综述首次呈现了基于PRISMA指南的联邦多视图聚类（FedMVC）全面系统综述。通过多维分类体系，根据联邦学习范式（水平、垂直和联邦迁移学习）、聚类方法（硬/软聚类、谱聚类、基于密度、深度学习、张量和非负矩阵分解[NMF]）、聚合策略（FedAvg、FedProx、FedOpt和自适应优化器）、隐私机制（差分隐私、安全多方计算、同态加密和可信执行环境）以及非独立同分布（non-IID）数据处理技术，对现有研究进行了分类。文中还考察了集中式和联邦式目标函数，并从计算复杂度、通信开销、隐私保障和可扩展性等方面进行了比较。此外，还讨论了在医疗、金融和跨平台社交媒体中的实际实现指导与应用。关键研究挑战包括形式化的隐私-效用权衡、极端数据异质性下的收敛性，以及整合大语言模型以提高可解释性。总体而言，FedMVC代表了分布式环境中隐私保护无监督学习的有前景的框架。
