渗透学习：一种用于去中心化上下文数据表示的自监督范式
机器学习
2025-12-30 v1 分布式、并行与集群计算
摘要
特定上下文中的数据超越了其孤立解释而获得更深层意义。在分布式系统中，相互依赖的数据源揭示了隐藏的关系和潜在结构，为许多应用提供了有价值的信息。本文引入了渗透学习（Osmotic Learning, OSM-L），这是一种自监督分布式学习范式，旨在从分布式数据中挖掘更高层次的潜在知识。OSM-L 的核心是渗透过程，该过程通过提取上下文信息来合成密集且紧凑的表示，从而消除了分布式实体间交换原始数据的需要。OSM-L 迭代地对齐局部数据表示，使信息扩散并收敛至捕获上下文模式的动态平衡。在训练过程中，它还能识别相关数据组，发挥去中心化聚类机制的作用。实验结果证实了 OSM-L 在结构化数据集上的收敛性和表示能力，在保持上下文完整性的同时，局部信息对齐准确率超过 0.99。
引用
@article{arxiv.2512.23096,
title = {Osmotic Learning: A Self-Supervised Paradigm for Decentralized Contextual Data Representation},
author = {Mario Colosi and Reza Farahani and Maria Fazio and Radu Prodan and Massimo Villari},
journal= {arXiv preprint arXiv:2512.23096},
year = {2025}
}