分散学習は、データと計算をノード間に分散させることで、プライバシー、スケーラビリティ、フォールトトレランスを向上させます。一般的なアプローチであるフェデレーテッドラーニングは中央アグリゲータに依存しますが、サーバの脆弱性、スケーラビリティの問題、プライバシーリスク、そして最も重要な単一障害点といった課題に直面します。代替として、ゴシップラーニングとエピデミックラーニングは、モデル更新のピアツーピア交換を通じて完全な分散化を実現し、ロバスト性とプライバシーを確保しますが、その代償としてモデル収束が遅くなります。
本研究では、HEALと呼ばれる新しい分散学習フレームワークを提案します。HEALは、最適化された自己組織化・自己修復型の基盤P2Pオーバーレイを活用する、初のクロスレイヤー分散学習フレームワークであり、フェデレーテッドラーニング、ゴシップラーニング、エピデミックラーニングの強みを組み合わせています。最近提案されたElevatorアルゴリズムを利用して、HEALは動的に選択されたノードをアグリゲータとして昇格させます。シミュレーションを通じて、HEALはクラッシュのない設定ではフェデレーテッドラーニングと同様の性能を持ちながら、完全に分散化されフォールトトレラントであることを示します。クラッシュやチャーンが発生しやすい環境では、HEALはゴシップラーニングおよびエピデミックラーニングを上回る性能を発揮します。この論文はMohamed Amine Legheraba氏ら6名の著者によって2026年5月26日にarXivに投稿され、機械学習（cs.LG）および人工知能（cs.AI）の分野に属します。HEALの核となる革新はクロスレイヤー設計にあり、ネットワーク層の自己組織化オーバーレイと学習層の動的アグリゲーションを組み合わせることで、効率とロバスト性を両立する分散学習の新たな道を切り開いています。