分布式 Wasserstein Barycenter编辑

分布式 Wasserstein barycenter 是在最优传输距离下概括多个参与方所持分布的概率测度。计算或近似这一共同参考分布，需要考虑通信和数据访问约束。¹ 乔鑫宝 在 AI 与网络 和 数据中心 ML 方向的研究涉及这一问题。

定义编辑

给定局部概率测度 $\mu_1,\ldots,\mu_K$，权重 $\lambda_k \geq 0$ 且 $\sum_k \lambda_k = 1$，一个 $p$-Wasserstein barycenter 可写作

$$\nu^\star \in \arg\min_{\nu \in \mathcal{P}(\mathcal{X})} \sum_{k=1}^{K} \lambda_k W_p^p(\nu, \mu_k).$$

在中心化数学表述中，所有 $\mu_k$ 都可以被求解器直接访问。在分布式设置中，每个 $\mu_k$ 可能对应一个本地数据集、客户端、机构或设备。因此，研究问题还包括哪些信息需要跨网络传输、哪些信息可以被压缩，以及所得 barycenter 是否能作为有效的全局分布代理。

研究背景编辑

分布式 barycenter 结合了 Wasserstein 几何、分布式学习 和 协作评估：当没有任何单一参与方拥有完整数据分布时，barycenter 可以作为共享参考分布，用于模型评估、合成数据验证、样本打分或非独立同分布客户端之间的比较。

与乔鑫宝工作的关系编辑

乔鑫宝的 ICML 2026 工作 样本选择偏差何以促成模型坍缩 已经使用协作计算的 Wasserstein 几何信息分析低资源数据孤岛下的合成数据失效。分布式 Wasserstein barycenter 在基础设施层面延续这一方向：当证据被切分在网络中时，如何计算可靠参考分布，而不是默认先汇总评估数据。

该问题连接 AI 与网络，因为计算对象会被通信模式塑造；也连接 合成数据，因为递归生成需要分布检查；同时连接 数据中心 ML，因为 barycenter 可以成为跨参与方判断数据或样本重要性的工具。

在审稿件 Decentralized Free-Support Wasserstein Barycenter 将这一方向具体化为自由支撑重心计算：通过学习支撑点位置，让共享参考适应分布几何，同时区分重心质量与网络一致性的通信需求。

参见编辑

• AI 与网络
• Wasserstein 几何
• 分布式学习
• 协作评估
• 数据孤岛

脚注编辑

1. Agueh 和 Carlier 在 SIAM 论文 Barycenters in the Wasserstein Space 中引入 Wasserstein 空间中的 barycenter；Cuturi 和 Doucet 的 ICML 2014 论文 Fast Computation of Wasserstein Barycenters 是常用计算参考。 ↩