LSTM 故障检测器的无服务器八卦训练：与 NASA C-MAPSS 上的联邦、本地和集中式学习的匹配协议比较

arXiv:2609.35792v1 公告类型：新 摘要：工业预测维护越来越依赖于分布在多个站点的设备的学习，这些设备的传感器数据无法轻松汇集。联合平均 (FedAvg) 通过中央聚合服务器解决了这个问题；八卦学习移除了服务器，但其循环故障检测模型的行为尚未在受控条件下进行测量。我们将同步环八卦与 FedAvg、孤立的本地训练以及堆叠 LSTM 的集中参考进行比较，该 LSTM 在 NASA C-MAPSS 涡轮风扇基准测试中检测即将发生的故障。所有方法共享一个开放的实现、架构、初始化、优化器、数据分割和训练预算，并且主要端点为每个测试引擎使用一个终端窗口，以避免重叠窗口的统计依赖性。在 FD001（五个种子）上，gossip 达到了 89.6 +/- 1.3% 的终端窗口 F1，而 FedAvg 为 89.9 +/- 1.1%，本地训练为 83.6 +/- 6.7%，集中训练为 93.5 +/- 2.1%，同时在没有协调器的情况下传输与 FedAvg 相同的有效负载。节点模型非常接近，但不完全一致（成对决策分歧为 1.8%，而没有沟通时为 5.6%）。在 FD002-FD004 中，对等通信将终端窗口 F1 比本地训练提高了 13-28 个点； gossip 在 FD003 和 FD004 上与 FedAvg 匹配，但在多条件 FD002 子集上低 4.3 个点。模拟的消息丢失、节点故障和服务器中断都没有明显改变这两种方法，而较大的环会使八卦更快地退化。因此，当数据异构性中等时，环八卦是一种实用的无服务器替代方案，并且随着异构性的增长，更快的混合拓扑变得重要。