基于博弈论的分布式生成模型学习：面对异构数据集合
机器学习
2025-11-04 v1
摘要
分布式学习的主要挑战之一在于处理异构的本地模型与数据。在近期生成模型的成功基础上，我们提出通过交换合成数据而非共享模型参数来应对这一挑战。本地模型可被视作具有学习参数能力并能生成符合参数分布数据的“黑盒”。此外，若本地模型支持半监督学习，可拓展至不同概率空间上的模型，从而处理异构且模态不同的数据。我们将本地模型的学习建模为合作博弈，基于博弈论原理。我们证明指数族本地模型存在唯一纳什均衡，并证明所提方法可收敛至该均衡。在标准视觉基准数据集上进行图像分类与条件生成实验，展示方法优势。
引用
@article{arxiv.2511.01740,
title = {Game-theoretic distributed learning of generative models for heterogeneous data collections},
author = {Dmitrij Schlesinger and Boris Flach},
journal= {arXiv preprint arXiv:2511.01740},
year = {2025}
}
备注
The manuscript is accepted for publishing at the 2025 Symposium on Federated Learning and Intelligent Computing Systems (FLICS 2025)