去中心化學習通過將數據和計算分佈到多個節點，增強了隱私保護、可擴展性和容錯能力。其中，聯邦學習是最流行的方法之一，但它依賴中央聚合器，面臨服務器漏洞、可擴展性問題、隱私風險以及單點故障等挑戰。而八卦學習和流行病學習雖然通過點對點模型更新交換實現了完全去中心化，確保了魯棒性和隱私性，但代價是模型收斂速度較慢。
針對這些問題，Mohamed Amine Legheraba等人在2026年5月提交的一篇論文中提出了HEAL（Resilient and Self-* Hub-based Learning）框架。HEAL是首個跨層去中心化學習框架，它利用優化的自組織和自修復底層P2P覆蓋網絡，結合了聯邦學習的高效性以及八卦學習和流行病學習的魯棒性。核心創新在於使用最近提出的電梯算法，動態地將選中的節點提升為聚合器，從而在保持完全去中心化的同時實現高效的模型聚合。
實驗結果表明，在無故障環境中，HEAL的性能與聯邦學習相當。而在節點可能崩潰或頻繁上下線（即高波動）的環境中，HEAL顯著優於八卦學習和流行病學習。這表明HEAL在保持去中心化優勢的同時，還能有效應對節點故障和網絡波動。
HEAL的提出為去中心化學習提供了新的思路，尤其適用於物聯網、邊緣計算等節點不穩定或資源受限的場景。它有望成為在可靠性要求高的分佈式學習任務中的有力候選方案。論文的詳細信息可在arXiv上獲取，編號為2605.27475，作者還包括其他五位合作者。