.png){kind=icon}
返回
The Hub Learning
.png){kind=icon}
PRE
AI
DOI：10.1109/ton.2026.3741719.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
分布式学习通过在节点间分配数据和计算来增强隐私性、可扩展性和容错性，成为集中式方法的替代方案。联邦学习虽被广泛采用，但依赖中心聚合器，存在单点故障、可扩展性有限和隐私风险等漏洞。流言学习和流行病学习通过点对点交换模型更新实现完全分布式解决方案，确保鲁棒性和隐私，但收敛速度较慢。本研究提出HEAL，一种基于自组织和自愈点对点覆盖网络的创新分布式学习框架。HEAL利用涌现的多中心网络，结合图结构的随机性和星型网络的高效性，使中心节点有机形成，提升容错性、减少网络直径并促进鲁棒的分布式聚合。HEAL是首个整合联邦学习、流言学习和流行病学习优势的框架，采用Elevator算法动态选择聚合器。模拟结果表明，HEAL优于流言学习和流行病学习，在稳定环境下性能媲美联邦学习，且在高节点动态或网络不稳定场景中仍能保持性能。该框架为分布式学习应用提供了可扩展、隐私保护和容错性强的解决方案。
Keyword:
Decentralized learning
federated learning
gossip learning
hub learning
epidemic learning
machine learning
peer-to-peer networks
dynamic networks
hub sampling
algorithms
simulations
