arXiv 2026年10月5日该工作提出 cordial（相关且分布式）学习，用于智能体数据相关的分布式学习场景：每个智能体的标签依赖于其他智能体对同一样本的输入，且这些输入彼此相关；方法仅在智能体之间共享低维输出、各自训练本地模型以从同伴中提取有用信号，从而形成一个每个智能体损失依赖他人模型的博弈，作者在假设线性模型下证明该过程以概率一收敛到全局最优解（尽管全局目标非凸），并在结构化多位 MNIST 任务上显示该方法在高度非线性情形下依然有效。该工作提出 cordial（相关且分布式）学习，用于智能体数据相关的分布式学习场景：每个智能体的标签依赖于其他智能体对同一样本的输入，且这些输入彼此相关；方法仅在智能体之间共享低维输出、各自训练本地模型以从同伴中提取有用信号，从而形成一个每个智能体损失依赖他人模型的博弈，作者在假设线性模型下证明该过程以概率一收敛到全局最优解（尽管全局目标非凸），并在结构化多位 MNIST 任务上显示该方法在高度非线性情形下依然有效。Cordial Learning 让各智能体只交换低维输出，在相关数据上收敛到全局最优该工作提出 cordial（相关且分布式）学习，用于智能体数据相关的分布式学习场景：每个智能体的标签依赖于其他智能体对同一样本的输入，且这些输入彼此相关；方法仅在智能体之间共享低维输出、各自训练本地模型以从同伴中提取有用信号，从而形成一个每个智能体损失依赖他人模型的博弈，作者在假设线性模型下证明该过程以概率一收敛到全局最优解（尽管全局目标非凸），并在结构化多位 MNIST 任务上显示该方法在高度非线性情形下依然有效。该工作提出 cordial（相关且分布式）学习，用于智能体数据相关的分布式学习场景：每个智能体的标签依赖于其他智能体对同一样本的输入，且这些输入彼此相关；方法仅在智能体之间共享低维输出、各自训练本地模型以从同伴中提取有用信号，从而形成一个每个智能体损失依赖他人模型的博弈，作者在假设线性模型下证明该过程以概率一收敛到全局最优解（尽管全局目标非凸），并在结构化多位 MNIST 任务上显示该方法在高度非线性情形下依然有效。