Le clustering de vecteurs de pertes (CLoVE) est un nouvel algorithme d'apprentissage fédéré par clusters (CFL). Dans CFL, les clients sont naturellement regroupés en clusters en fonction de la distribution de leurs données, mais l'identification de ces clusters est complexe car les affectations des clients sont inconnues. CLoVE utilise des intégrations client dérivées des pertes de modèles pour les données client et exploite l'idée que les clients d'un même cluster partagent des valeurs de perte similaires, tandis que les clients de clusters différents présentent des profils de perte distincts. Grâce à ces intégrations, CLoVE peut identifier et séparer de manière itérative les clients de différents clusters et optimiser les modèles spécifiques à chaque cluster grâce à l'agrégation fédérée. Les principaux avantages de CLoVE par rapport aux algorithmes CFL existants sont (1) sa simplicité, (2) son applicabilité en environnement supervisé et non supervisé, et (3) l'absence d'initialisation de modèle quasi-optimale, ce qui rend CLoVE plus robuste et adapté aux applications concrètes. Nous établissons des limites de convergence théoriques et démontrons que CLoVE récupère avec précision des clusters avec une probabilité élevée en un seul tour et converge vers le modèle optimal de manière exponentiellement plus rapide dans des configurations linéaires. Des expériences exhaustives comparant CLoVE à divers algorithmes CFL et d'apprentissage fédéré personnalisé (PFL) courants sur différents types d'ensembles de données et un large éventail de configurations non IID démontrent que CLoVE atteint des précisions de modèle de pointe sur diverses tâches PFL supervisées et non supervisées, ainsi qu'une récupération de clusters très précise en seulement quelques tours d'apprentissage.
