从欧几里德到图结构数据：协作学习调查

摘要

arXiv:2609.02984v1 Announce Type: new Abstract: The conventional approach to machine learning, that is, collecting data, training models, and performing inference in a single location, faces fundament...

and learning data collaborative graph challenges research Euclidean the structured

2026-09-04 1 阅读约1分钟阅读 R\'emi Bourgerie, \v{S}ar\=unas Girdzijauskas, Viktoria Fodor

arXiv:2609.02984v1 公告类型：新摘要：传统的机器学习方法，即在单个位置收集数据、训练模型和执行推理，面临着根本性的限制，包括可扩展性和隐私性，从而限制了其适用性。为了应对这些挑战，最近的研究探索了协作学习方法，包括联邦学习和去中心化学习，其中个体代理在有限的协作下在本地进行训练和推理。大多数协作学习研究都集中在具有规则的网格状结构（例如图像、文本）的欧几里得数据上。然而，这些方法无法捕获许多现实应用程序中的关系模式，最好用图表来表示。图学习依赖于消息传递机制在连接的节点之间传播信息，这使得它在概念上非常适合代理必须交换信息的协作环境。然而，在协作环境中学习图结构数据的机遇和挑战在很大程度上仍未得到充分探索。这项调查对从欧几里德到图结构数据的协作学习进行了全面的调查，旨在巩固这一新兴领域。我们首先回顾其欧几里得数据的基本原则，并按照三个核心维度进行组织：学习有效性、效率和隐私保护。然后，我们将讨论扩展到图结构数据，引入图分布场景的分类法，描述相关的统计异质性，并开发标准化的问题表述和算法框架。最后，我们系统地确定了开放的挑战和有前途的研究方向。

订阅66必读