Tradycyjne podejście do uczenia maszynowego - zbieranie danych, trenowanie modeli i wnioskowanie w jednym miejscu - ma fundamentalne ograniczenia dotyczące skalowalności i prywatności. Aby rozwiązać te problemy, badacze opracowali podejścia kolaboratywne, w tym uczenie federacyjne i zdecentralizowane, gdzie poszczególne agenty trenują i wnioskują lokalnie z ograniczoną współpracą.
Dotychczasowe badania nad uczeniem kolaboratywnym skupiają się głównie na danych euklidesowych o regularnej, siatkowatej strukturze, takich jak obrazy czy teksty. Jednak te podejścia nie chwytają złożonych relacji w wielu rzeczywistych aplikacjach, które naturalnie reprezentują grafy - od sieci społecznych po systemy rekomendacyjne. Grafy wykorzystują mechanizmy przesyłania wiadomości do propagacji informacji między połączonymi węzłami, co czyni je koncepcyjnie dobrze przystosowanymi do środowisk kolaboratywnych, gdzie agenty muszą wymieniać informacje.
Nowy przegląd z arXiv konsoliduje to pojawiające się pole poprzez kompleksową analizę uczenia kolaboratywnego od danych euklidesowych do grafowych. Badanie organizuje fundamentalne zasady wzdłuż trzech kluczowych wymiarów: efektywności uczenia, wydajności obliczeniowej i ochrony prywatności. Ta synteza jest ważna dla praktycznych scenariuszy, gdzie wymogi dotyczące bezpieczeństwa danych kolidują z potrzebą współpracy między zdecentralizowanymi systemami.