非同期の分散型連合学習（ADFL）は、中央コーディネータやグローバル同期を不要にできるため、大規模かつ異種性の高いシステムに適した手法として注目されている。しかし、頻繁なピアツーピア通信、有向トポロジ上での非同期更新、そして非IIDデータという三つの要因が重なることで、通信オーバーヘッドの増大、集約バイアス、深刻なモデルドリフトが生じる。Jiahui Bai らによる論文「On the Push-Based Asynchronous Federated Learning: A Bias-Correction Aggregation Approach」は、この課題に対して PushCen-ADFL と呼ぶ通信効率の高い ADFL フレームワークを提案している。本論文は第32回 ACM SIGKDD 知識発見・データマイニング会議（KDD 2026）に採択されており、arXiv 版は完全な付録を含む拡張版で、2026年5月24日に投稿された。
PushCen-ADFL の中心的な考え方は、通信・集約・ローカルな安定化を共有のセントロイド表現空間に統合し、圧縮と最適化の間に閉ループを形成することにある。クライアントはモデル全体ではなくセントロイド形式のメッセージを交換し、集約時には平均保存型の push-sum 混合を適用して、非同期かつ有向なトポロジにおける集約バイアスを補正する。さらに、同一のセントロイド空間に锚定した軽量なセントロイド正則化を用いることで、データの異種性やメッセージの陳腐化に起因するモデルドリフトを抑制する。この正則化はグローバル同期を必要とせず、遅延した更新によるバイアスの蓄積をローカル訓練の段階で抑えられる点に意義がある。
また、不規則に到着する非同期メッセージへの対処として、有界かつ送信者ごとに重複排除を行うバッファを備えている。これにより、メッセージの順序入れ替わり、重複、突発的な到着が生じる状況でも堅牢性が向上する。このバッファは push-sum 混合やセントロイド正則化と組み合わされ、通信圧縮からバイアス補正、ローカル安定化までを含む一連の処理を構成する。
視覚データセットを用いた実験では、データの異種性がある条件下で PushCen-ADFL は精度を最大6%向上させ、同時にプッシュごとの通信コストを80%以上削減し、精度と通信の良好なトレードオフを実現した。論文には関連 DOI（10.1145/3770855.3817925）と arXiv DOI が示され、主題は機械学習（cs.LG）および人工知能（cs.AI）に分類されている。総じて本研究は、中央集権を排した非同期・異種環境の連合学習において、通信効率と訓練の安定性を両立させる集約手法を提示しており、バイアス補正と重複排除バッファの設計は、実運用で頻発する遅延や不規則なメッセージ到着への対処に直接役立つ知見を与えている。