HEAL：韧性自组织自修复的基于Hub的学习
机器学习
2026-05-28 v1 人工智能
摘要
去中心化学习通过在节点之间分布数据和计算来增强隐私、可扩展性和容错性。一种流行方法是联邦学习（Federated Learning），它依赖于中心聚合器，但面临服务器漏洞、可扩展性问题、隐私风险以及最重要的单点故障挑战。另一方面，Gossip Learning和流行病学习（Epidemic Learning）通过节点之间的点对点模型更新交换，实现了完全去中心化，确保韧性和隐私，却以模型收敛速度较慢为代价。本文引入一种新型去中心化学习框架，称为HEAL。HEAL是首个跨层次的去中心化学习框架，利用优化的自组织自修复底层P2P覆盖，结合了联邦学习、Gossip学习和流行病学习的优势。依托最近提出的Elevator算法，HEAL促进动态选择的节点充当聚合器。通过仿真，我们展示HEAL在无故障环境下的性能与联邦学习相似，同时完全去中心化且具备容错性。在故障和离线-prone环境下，HEAL超越了Gossip学习和流行病学习。
引用
@article{arxiv.2605.27475,
title = {HEAL: Resilient and Self-* Hub-based Learning},
author = {Mohamed Amine Legheraba and Stefan Galkiewicz and Maria Gradinariu Potop-Butucaru and Sébastien Tixeuil},
journal= {arXiv preprint arXiv:2605.27475},
year = {2026}
}