协作学习大升级！从图像到图数据，隐私与效率全兼顾，这篇综述把新方向讲透了！
From Euclidean to Graph-Structured Data: A Survey of Collaborative Learning
📖 AI 总结
该综述系统梳理了协作学习从欧几里得数据向图结构数据拓展的研究进展。传统机器学习受限于集中式数据收集与训练，在可扩展性和隐私保护方面存在瓶颈，而联邦学习与去中心化学习通过本地训练与有限协作提供了解决方案。然而，多数研究聚焦图像、文本等规则网格数据，难以捕捉现实场景中的关系模式。图结构数据依赖消息传递机制在节点间传播信息，天然适配协作环境，但其在协作场景下的机遇与挑战尚未被充分探索。文章首先从学习有效性、效率和隐私保护三个维度回顾欧几里得数据下的基础原理，继而引入图分布场景的分类体系，刻画统计异质性，并建立标准化问题表述与算法框架。最后，作者系统指出开放挑战与未来研究方向，为该新兴领域提供了整合性参考。
🔑 关键词速览
| 协作学习 (Collaborative Learning) | 一种机器学习范式，多个代理在本地进行训练和推理，并通过有限的信息交换进行协作，以解决数据孤岛和隐私问题。 |
| 联邦学习 (Federated Learning) | 一种分布式协作学习方法，多个客户端在本地训练模型，仅共享模型更新（如梯度）而非原始数据，由中央服务器聚合。 |
| 分散学习 (Decentralized Learning) | 一种无中心服务器的协作学习方式，代理之间直接通信和交换信息，以增强可扩展性和鲁棒性。 |
| 欧几里得数据 (Euclidean Data) | 具有规则网格状结构的数据，如图像（像素网格）和文本（序列），其空间关系是均匀的。 |
| 图结构数据 (Graph-Structured Data) | 以图形式表示的数据，包含节点和边，用于建模实体间的复杂关系，如社交网络或分子结构。 |
| 消息传递机制 (Message-Passing Mechanism) | 图神经网络中的核心机制，通过节点间交换信息来更新节点表示，从而捕获图的结构依赖。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅