本课题设计了一种联邦内核k-means算法。该算法能在用户不上传本地的训练数据到云端的情况下，通过让用户仅与云端交互少量本地计算结果，分布式地训练出内核k-means的模型。

本课题对内核支持向量机的分布式训练方法进行了研究。提出了一种新的分布式训练方法，能有效减少分布式训练过程中上传的冗余数据，提升分布式训练的通信效率。