arXiv:2509.13855cs.LGcs.DC2025-09
用图结构指导分布式GMM参数共享，提升小样本异构数据表现
Graph-Regularized Learning of Gaussian Mixture Models
- 基于相似性图设计参数共享机制，避免传输原始数据
- 在低样本异构场景下，性能优于集中式与本地训练模型
- 适合数据分散、隐私敏感的分布式学习场景
我们在异构且数据量有限的分布式设置中，提出一种图正则化的高斯混合模型（GMM）学习方法。该方法利用给定的相似性图引导节点间的参数共享，避免原始数据的传输。所提出的模型能够灵活聚合邻居节点的参数，在异构、小样本条件下表现优于集中式和本地训练的GMM。
原文摘要 · Abstract (English)
We present a graph-regularized learning of Gaussian Mixture Models (GMMs) in distributed settings with heterogeneous and limited local data. The method exploits a provided similarity graph to guide parameter sharing among nodes, avoiding the transfer of raw data. The resulting model allows for flexible aggregation of neighbors' parameters and outperforms both centralized and locally trained GMMs in heterogeneous, low-sample regimes.
GMM分布式学习图正则化
Thank you to arXiv for use of its open access interoperability. PaperDance 不是 arXiv 官方产品；中文卡片由大模型生成，请以原文为准。