Naukowcy opracowali nowy framework SFRL (Sheaf-based Federated Representation Learning) do uczenia rozproszonego, który radzi sobie z heterogenicznością systemów federacyjnych na poziomie danych, modalności czujników, architektur modeli i wymiarów ukrytych. Zamiast zakładać, że wszyscy agenci dzielą wspólną globalną przestrzeń latentną, framework pozwala każdemu węzłowi pracować w swojej własnej przestrzeni, a spójność globalna wyłania się naturalnie z wyrównania reprezentacji między sąsiadującymi węzłami.
Srcem metody jest regularyzator geometryczny oparty na matematycznej teorii snopów - strukturach algebraicznych pozwalających elegancko modelować przejścia między różnymi przestrzeniami. Framework wykorzystuje mapy ograniczeń snopa (restriction maps) które uczą się adaptować geometrię do obserwowanych danych. Te mapy są optymalizowane przy użyciu regularyzatora laplasjanu snopa, który egzekwuje wyrównanie poprzez transformacje ortogonalne i izometryczne zanurzenia. Kluczowym praktycznym aspektem jest to, że wyrównanie jest sprawdzane tylko na małym zbiorze wspólnych próbek pilotażowych, co gwarantuje skalowalne i wydajne komunikacyjnie rozwiązanie.
Autorzy opracowali algorytm decentralizowany Sheaf-FRL, który na przemian wykonuje gradienty aktualizacji modeli lokalnych i zamknięto-formowe aktualizacje Procrustesa map ograniczeń na krawędziach. Wykazali matematycznie zbieżność algorytmu do pierwszego rzędu punktów stacjonarnych zarówno w ustawieniach deterministycznych jak i stochastycznych. Framework znajduje zastosowanie w zadaniach klasyfikacji kooperacyjnej w kontekście komunikacji semantycznej.