96页综述梳理协作学习从欧氏数据到图结构数据的演进，系统化图分布场景与问题定义
arXiv预印本《From Euclidean to Graph-Structured Data: A Survey of Collaborative Learning》从有效性、效率与隐私三个维度组织现有工作，并针对图数据提出分类法和标准化问题表述，已获TMLR调查认证。
AI解读：这篇综述要解决一个现实错位：现有的联邦学习等协作范式大多针对图像、文本这类规则网格状数据设计，但社交网络、分子结构、交通路网等场景本质上是图，节点之间的关联才是信息核心。图学习依赖消息传递机制，节点间要交换信息，这和协作学习中多个智能体互相通信的架构天然契合，可此前很少有人系统研究两者的结合点。作者回顾欧氏数据协作学习时按学习有效性、效率、隐私保护三个维度组织，再推广到图结构数据，给出图分布场景的分类法，并建立统一的问题表述和算法框架。对研究者来说，这份材料把散落的图协作学习工作做了归类，还指出未解决的开放问题；对企业或工程师则意味着，如果想把联邦学习用到社交推荐、分子筛选这类关系密集型任务，可以直接对照综述中的场景分类来定位自己的数据分布属于哪种异构情况，并找到对应算法框架。不过这是综述而非实证研究，文中没有提供新方法的对比效果数据，读者需要按图索骥去读引用的原始论文。
arXiv预印本《From Euclidean to Graph-Structured Data: A Survey of Collaborative Learning》对协作学习从欧氏数据延伸到图结构数据的进展做了系统梳理，全文96页，已发表在Transactions on Machine Learning Research（TMLR）2026年3月期并获Survey Certification。作者为Rémi Bourgerie、Šarūnas Girdzijauskas和Viktoria Fodor。
摘要指出，传统机器学习把数据收集、模型训练和推理集中在一处完成，其可扩展性和隐私问题限制了应用；为此出现了联邦学习、去中心化学习等协作范式，让个体智能体在本地训练和推理，只做有限协作。
从欧氏数据到图数据的三个组织维度
多数协作学习研究针对欧氏数据，即图像、文本这类具有规则网格结构的数据。综述先回顾这些基础原理，并沿学习有效性、效率、隐私保护三个核心维度组织现有工作。
- 在图数据上学习依赖节点间的消息传递机制来传播信息。作者认为，这种机制在概念上适合协作环境，因为协作环境同样要求智能体之间交换信息。
图分布场景分类与标准化问题表述
综述将讨论扩展到图结构数据，提出一套图分布场景分类法，刻画相关的统计异构性，并建立了标准化的问题表述与算法框架。
作者指出，协作场景下图结构数据学习的机遇与挑战在很大程度上仍未被充分探索。综述最后系统列出了开放挑战和有前景的研究方向。
- 论文标注为arXiv:2609.02984 [cs.LG]，提交于2026年9月2日，涉及机器学习（cs.LG）、多智能体系统（cs.MA）以及社会与信息网络（cs.SI）三个学科。