近日，我院信息安全2301班本科生李子林、徐为为、童栩淳、逯宣伯，联合计算机科学与技术2403班本科生赵宣淇，在去中心化智能学习方向取得重要研究突破。相关成果《Decentralized Coupled Representation Learning》成功入选第40届神经信息处理系统大会（NeurIPS 2026），李子林为论文第一作者，张鸽老师担任通讯作者。
NeurIPS 是全球人工智能与机器学习领域最具影响力的顶级国际学术会议之一，与 ICML、ICLR 并称领域 “三大顶会”，同时也是中国计算机学会（CCF）推荐的 A 类国际学术会议，为全球人工智能前沿成果的核心交流平台。据 Google Scholar 2025 学术指标显示，NeurIPS 在人工智能类别中排名全球第 1，学术影响力位居世界前列。此次本科生团队的成果入选，是我院深耕人工智能基础领域、培育本科生科研能力的重要体现。
随着边缘智能、分布式计算的快速发展，大量智能系统需要在无统一中心节点的场景下自主完成信息采集与学习。传统表征学习理论多基于平稳、独立的理想数据假设，而真实去中心化系统中，数据采集与模型学习是同步耦合的——节点一边移动采样，一边更新模型，数据分布会随系统状态持续变化。这种动态关联的采样环境极易导致参数失控、模型失效，是领域长期未解决的核心理论难题。研究团队正是围绕这一问题展开探索：当数据与学习深度耦合时，仅靠局部短时交互，系统能否自发形成稳定的全局表征？
图1：去中心化耦合表征学习（DCRL）总体框架
系统一方面通过局部随机运动持续探索数据空间，另一方面根据获得的局部观测不断更新表征参数；两类动力学在不同时间尺度上相互耦合，并最终形成稳定、有结构的低维表示。
针对这一问题，团队提出去中心化耦合表征学习（DCRL）框架，建立了从微观局部交互到宏观表征结构的完整极限理论。不同于传统研究依赖独立平稳数据的分析思路，该工作将节点随机探索与局部模型更新视作耦合的快慢动力系统，首次将马尔可夫空间探索与经典局部学习规则统一纳入收敛性分析，从理论上解决了动态关联数据下局部学习的稳定收敛难题，回应了领域内长期存在的基础疑问。
在理论层面，团队通过三层递进的严格推导完成了完整论证：一是证明离散的局部随机交互在宏观尺度下收敛为连续扩散过程，搭建起微观行为到宏观规律的数学桥梁；二是通过随机平均化方法证明局部快速波动可被有效平滑，最终形成具备稳定机制的确定性演化过程，排除了参数发散的可能；三是通过子空间几何分析证明系统表征会收敛到数据核心特征空间，且收敛速度可由数据特征性质决定。由此，团队完整刻画了“局部随机运动涌现稳定全局表征”的数学过程，证明去中心化系统无需中心化协调，也能自发形成有效的低维特征表示。
这一突破打破了传统表征学习对独立平稳数据的依赖，将研究拓展到更贴近真实场景的动态采样环境中，不仅回答了“去中心化系统如何学习”的问题，更从数学层面解释了“系统为什么不会失效”以及“最终能学到什么”。
为验证理论结论，团队在多类数据场景中开展了系统实验，既覆盖瑞士卷、球面等经典几何结构数据，也包含高维分布数据及主流深度学习模型提取的高维特征。实验结果显示，不同环境下系统的核心表征方向均逐步稳定，冗余方向持续衰减，与理论预测高度吻合。消融实验也从反面验证了核心机制的必要性：关键机制缺失会直接导致系统发散，时间尺度匹配关系被破坏则会显著降低系统稳定性与表征恢复能力。
此外，研究还结合真实系统的计算与通信限制，给出了异步场景下的实现方案：节点仅需通过局部成对的信息交换即可完成更新，无需集中全部数据，也无需全局统计计算，为分布式智能、边缘协同学习等领域的研究提供了新的理论基础。
这项成果是我院本科生瞄准人工智能基础理论前沿开展原创研究的代表性实践。在张鸽老师指导下，团队完整完成了从问题建模、理论推导到算法设计、实验验证的全流程研究，围绕“局部规则如何涌现全局智能结构”这一核心科学问题，为非平稳去中心化环境下的表征学习机制提供了全新视角，也充分彰显了我院本科生在人工智能前沿基础研究领域的创新活力与科研潜力。