🤖 machine learning

FedTopo: Relation-Level Topology Sharing for Model-Heterogeneous Federated Learning

FedTopo हेटेरोजेनियस फेडरेटेड लर्निंग में गैर-संरेखित प्रतिनिधित्व स्थानों (non-aligned representation spaces) की चुनौती का समाधान करता है, जो वैश्विक ज्ञान को पूर्ण विशेषताओं के बजाय संबंध-स्तर की क्लास टोपोलॉजी के रूप में एनकोड करता है, जिससे विविध क्लाइंट आर्किटेक्चर के बीच बिना किसी इन्फरेंस ओवरहेड के विश्वसनीय ज्ञान हस्तांतरण और सुसंगत प्रदर्शन सुधार सक्षम होता है।

मूल लेखक: Zhaoyang Ma, Zhihao Wu, Xin Gao, Lipo Wang, Youfang Lin, Jing Wang

प्रकाशित 2026-07-30

📖 7 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Zhaoyang Ma, Zhihao Wu, Xin Gao, Lipo Wang, Youfang Lin, Jing Wang

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

एक ऐसी दुनिया की कल्पना करें जहाँ हर किसी का स्मार्टफोन, स्मार्टवॉच और होम रोबोट एक साथ मिलकर स्मार्ट बन सकें, लेकिन बिना कभी भी उनकी निजी तस्वीरें या संदेश साझा किए। यह फेडरेटेड लर्निंग (Federated Learning) का सपना है। आपके डेटा को एक विशाल, असुरक्षित डेटाबेस में इकट्ठा करने के बजाय, सीखना सीधे आपके डिवाइस पर होता है। डिवाइस केवल अपने द्वारा सीखी गई चीज़ों के बारे में छोटे "अपडेट्स" एक केंद्रीय सर्वर को भेजते हैं, जो उन्हें एक स्मार्ट वैश्विक मस्तिष्क बनाने के लिए आपस में मिला देता है।

हालाँकि, इसमें एक पेंच है: हर किसी के पास एक जैसा हार्डवेयर नहीं है। कुछ डिवाइस शक्तिशाली सुपर-कंप्यूटर हैं, जबकि अन्य छोटे, ऊर्जा बचाने वाले चिप्स हैं। मशीन लर्निंग के पुराने दिनों में, सबको एक साथ सीखने के लिए बिल्कुल एक ही प्रकार के "ब्रेन आर्किटेक्चर" (मस्तिष्क संरचना) का उपयोग करना पड़ता था। यदि आपके फोन का मस्तिष्क आपके पड़ोसी के मस्तिष्क से अलग होता, तो वे एक-दूसरे के अपडेट को समझ नहीं पाते। यह अंग्रेजी में लिखी गई किताब को ऐसी भाषा में अनुवाद करने जैसा है जो पूरी तरह से अलग अक्षरों और व्याकरण के नियमों का उपयोग करती है; अर्थ अनुवाद में खो जाता है। यह शोध पत्र इन बेमेल डिवाइसों की इस जटिल वास्तविकता को संबोधित करता है जो एक साथ सहयोग करने की कोशिश कर रहे हैं।

समस्या: सेब और संतरे को औसत निकालने की कोशिश करना

इस शोध पत्र के लेखकों ने, FedTopo, देखा कि इन बेमेल डिवाइसों को एक साथ सीखने में मदद करने वाली मौजूदा विधियाँ एक चौकोर खांचे में गोल कील ठोकने की कोशिश कर रही थीं। अधिकांश वर्तमान विधियाँ "प्रोटोटाइप" (Prototypes) साझा करने की कोशिश करती हैं। कल्पना करें कि प्रत्येक डिवाइस अपने स्वयं के फीचर स्पेस में एक "बिल्ली" कैसी दिखती है, उसका एक स्नैपशॉट लेता है और वह स्नैपशॉट सर्वर को भेज देता है। सर्वर फिर इन सभी स्नैपशॉट का औसत निकालकर एक "परफेक्ट बिल्ली" खोजने की कोशिश करता है।

लेकिन समस्या यह है: क्योंकि हर डिवाइस का एक अलग आर्किटेक्चर (एक अलग "मस्तिष्क") है, इसलिए एक फोन के लिए "बिल्ली" शब्द एक धुंधला सा धब्बा हो सकता है और दूसरे के लिए एक स्पष्ट ज्यामितिक आकार। जब आप एक धुंधले धब्बे और एक स्पष्ट आकार का औसत निकालते हैं, तो आपको एक बेहतर बिल्ली नहीं मिलती; बल्कि आपको एक भ्रमित करने वाला ढेर मिलता है जो सबको गुमराह करता है। शोध पत्र का तर्क है कि जब डिवाइस इतने अलग हों, तो इन पूर्ण निर्देशांकों (absolute coordinates - यानी गणितीय स्थान में एक "बिल्ली" की सटीक स्थिति) को संरेखित करने की कोशिश करना एक हारने वाली लड़ाई है।

समाधान: निर्देशांक नहीं, बल्कि संबंध साझा करना

यह तय करने के बजाय कि "बिल्ली" ब्रह्मांड में कहाँ स्थित है, FedTopo सुझाव देता है कि हमें बस यह साझा करना चाहिए कि चीजें एक-दूसरे से कैसे संबंधित हैं। इसे ऐसे समझें:

कल्पना करें कि आप और आपका मित्र दोनों एक शहर में नेविगेट करने की कोशिश कर रहे हैं, लेकिन आपके पास अलग-अलग मानचित्र (Maps) हैं। आपके मानचित्र में लिखा है कि पुस्तकालय पार्क के "उत्तर में" है, जबकि आपके मित्र के मानचित्र में लिखा है कि वह "पहाड़ी के ऊपर" है। आप इन मानचित्रों को आसानी से नहीं मिला सकते क्योंकि "उत्तर" और "ऊपर" आप दोनों के लिए अलग-अलग अर्थ रखते हैं।

हालाँकि, आप संबंधों पर सहमत हो सकते हैं। आप दोनों इस बात पर सहमत हो सकते हैं कि "पुस्तकालय, हवाई अड्डे की तुलना में पार्क के अधिक करीब है।" यह एक संबंध है, न कि कोई निर्देशांक।

FedTopo इस तरह काम करता है कि प्रत्येक डिवाइस अपने वर्गों (classes) का एक "संबंध मानचित्र" (topology) बनाता है। यह यह नहीं कहता कि, "वर्ग A निर्देशांक (5, 10) पर है।" इसके बजाय, यह कहता है, "वर्ग A, वर्ग B के बहुत समान है, लेकिन वर्ग C से बहुत भिन्न है।" यह गणना करता है कि उसके अपने स्थानीय मस्तिष्क के भीतर एक "बिल्ली" एक "कुत्ते" के मुकाबले एक "ट्रक" से कितनी समान है।

यह कैसे काम करता है: एक विश्वसनीय संदेशवाहक

यह प्रक्रिया अलग-अलग नोटबुक लेकर रहस्य सुलझाने वाले जासूसों के समूह की तरह है:

स्थानीय जासूसी कार्य: प्रत्येक डिवाइस अपने डेटा को देखता है और पता लगाता है कि उसके वर्ग एक-दूसरे से कैसे संबंधित हैं। "हे, मेरी 'बिल्लियाँ' और 'कुत्ते' कुछ हद तक समान दिखते हैं, लेकिन मेरी 'बिल्लियाँ' और 'ट्रक' बिल्कुल अलग हैं।" यह अपना संबंध मानचित्र सर्वर को भेजता है।
विश्वास फ़िल्टर (Trust Filter): सर्वर जानता है कि कुछ डिवाइसों के पास "ट्रकों" की बहुत कम तस्वीरें हो सकती हैं, इसलिए "ट्रकों" का "बिल्लियों" से संबंध बताने पर उनकी राय संदिग्ध हो सकती है। FedTopo संदेशों को तौलने के लिए एक विशेष "विश्वसनीयता स्कोर" का उपयोग करता है। यदि किसी डिवाइस के पास बहुत अधिक डेटा है, तो उसके संबंध मानचित्र का महत्व अधिक होगा। यदि उसके पास बहुत कम डेटा है, तो सर्वर उसके संदिग्ध अनुमानों को अनदेखा कर देता है।
वैश्विक मानचित्र: सर्वर इन भारित (weighted) संबंध मानचित्रों को एक एकल, अत्यधिक विश्वसनीय "वैश्विक संबंध मानचित्र" (Global Relationship Map) में संयोजित करता है।
सबक: यह वैश्विक मानचित्र वापस डिवाइसों को भेजा जाता है। अब, जब कोई डिवाइस सीख रहा होता है, तो वह केवल उस तस्वीर को नहीं देखता जो उसके पास है; वह यह देखने के लिए वैश्विक मानचित्र को देखता है कि कौन से वर्ग "भ्रमित करने वाली समानता" रखते हैं। फिर वह अपने कौशल को तेज करने के लिए उन विशिष्ट भ्रमित करने वाले जोड़ों पर अधिक अभ्यास करता है।

उन्होंने क्या पाया

लेखकों ने तीन अलग-अलग डेटासेट्स (CIFAR-10, CIFAR-100, और Tiny-ImageNet) पर आठ पूरी तरह से अलग प्रकार के न्यूरल नेटवर्क आर्किटेक्चर (सरल CNN से लेकर जटिल ResNet तक) का उपयोग करके इस विचार का परीक्षण किया। उन्होंने एक अराजक दुनिया का अनुकरण किया जहाँ डेटा असमान रूप से वितरित था (कुछ डिवाइसों के पास केवल बिल्लियाँ थीं, दूसरों के पास केवल ट्रक थे)।

परिणाम स्पष्ट थे: FedTopo ने लगातार अन्य सभी विधियों को पछाड़ दिया।

CIFAR-10 डेटासेट पर, इसने मानक असमान सेटिंग में 87.38% की सटीकता प्राप्त की, जो अगले सर्वश्रेष्ठ तरीके से काफी आगे थी।
और भी कठिन "पैथोलॉजिकल" (pathological) सेटिंग में (जहाँ डिवाइसों के पास बहुत कम वर्ग थे), इसने 86.26% की सटीकता हासिल की, और फिर से सबसे आगे रही।
यह CIFAR-100 और Tiny-ImageNet जैसे बड़े और कठिन डेटासेट्स पर भी उतना ही प्रभावी रहा।

महत्वपूर्ण रूप से, शोध पत्र दिखाता है कि यह विधि अविश्वसनीय रूप से कुशल है। इसके लिए बड़े मॉडल फ़ाइलें इधर-उधर भेजने की आवश्यकता नहीं है। यह केवल छोटे संबंध तालिकाओं को भेजता है (10-क्लास की समस्या के लिए अपलोड करने के लिए केवल 110 पैरामीटर और डाउनलोड करने के लिए 200)। इसके अलावा, जब डिवाइस का वास्तव में उपयोग किया जा रहा होता है (इन्फरेंस के समय), तो यह कोई अतिरिक्त लागत (zero extra cost) नहीं जोड़ता है, क्योंकि संबंध मानचित्र का उपयोग केवल प्रशिक्षण चरण के दौरान तेजी से सीखने में मदद करने के लिए किया जाता है।

निष्कर्ष

FedTopo यह सिद्ध करता है कि जब डिवाइस ज्ञान के सटीक "निर्देशांकों" पर सहमत होने के लिए बहुत भिन्न होते हैं, तब भी वे विचारों के बीच के "संबंधों" पर सहमत होकर एक साथ सीख सकते हैं। विचारों के बीच के संबंधों पर ध्यान केंद्रित करके, न कि गणितीय शून्य में उनकी स्थिति पर, यह विधि विविध उपकरणों को एक साझा डेटा को केंद्रीकृत किए बिना एक स्मार्ट, अधिक मजबूत सामूहिक बुद्धिमत्ता बनाने की अनुमति देती है। यह एक साथ सीखने का एक स्मार्ट तरीका है, भले ही हर कोई थोड़ा अलग भाषा बोल रहा हो।

तकनीकी सारांश: FedTopo

समस्या विवरण (Problem Statement)

फेडरेटेड लर्निंग (FL) कच्चे डेटा को केंद्रीकृत किए बिना विकेंद्रीकृत डेटा साइलो के बीच सहयोगात्मक प्रशिक्षण को सक्षम बनाता है। हालांकि, मानक FL समान क्लाइंट आर्किटेक्चर की धारणा रखता है, जो विभिन्न कंप्यूटिंग संसाधनों और परिनियोजन बाधाओं के कारण अक्सर अव्यवहारिक होता है। मॉडल-विषम FL (Model-heterogeneous FL) इसे विभिन्न क्लाइंट बैकबोन आर्किटेक्चर का उपयोग करने की अनुमति देकर संबोधित करता है।

मॉडल-विषम FL में मुख्य चुनौती गैर-संरेखित प्रतिनिधित्व स्थानों (non-aligned representation spaces) के बीच वैश्विक ज्ञान को स्थानांतरित करना है। मौजूदा प्रतिमान ज्ञान को निम्न माध्यमों से साझा करते हैं:

आंशिक पैरामीटर साझाकरण (Partial Parameter Sharing): इसके लिए संरेखित पैरामीटर स्पेस और संगत आर्किटेक्चर की आवश्यकता होती है।
ज्ञान आसवन (Knowledge Distillation): इसके लिए भविष्यवाणियों को संरेखित करने के लिए एक साझा आउटपुट स्पेस या सहायक सार्वजनिक डेटा की आवश्यकता होती है।
प्रोटोटाइप साझाकरण (Prototype Sharing): यह क्लास-वार प्रोटोटाइप (फीचर कोऑर्डिनेट्स) का आदान-प्रदान करता है।

ये तीनों प्रतिमान ज्ञान को एक निरपेक्ष स्थान (absolute space) (वेट्स, लॉजिट्स, या फीचर कोऑर्डिनेट्स) में एनकोड करते हैं जिसे क्लाइंट्स के बीच संरेखित किया जाना चाहिए। विषम बैकबोन के तहत, एक ही फीचर डायमेंशन विभिन्न क्लाइंट्स के बीच अलग-अलग सिमेंटिक कारकों को एनकोड कर सकता है। फलस्वरूप, प्रोटोटाइप या पैरामीटर्स का सीधे औसत निकालना अविश्वसनीय वैश्विक ज्ञान की ओर ले जाता है और स्थानीय प्रशिक्षण को गलत दिशा देता है।

कार्यप्रणाली: FedTopo

लेखक FedTopo (फेडरेटेड टोपोलॉजी-गाइडेड लर्निंग) प्रस्तावित करते हैं, जो एक ऐसा ढांचा है जो निरपेक्ष कोऑर्डिनेट्स साझा करने के बजाय रिलेशन-लेवल क्लास टोपोलॉजी साझा करने की ओर स्थानांतरित होता है। यह पूछने के बजाय कि "एक क्लास क्लाइंट के फीचर स्पेस में कहाँ स्थित है?", FedTopo पूछता है कि "क्लाइंट के स्थानीय स्थान के भीतर कक्षाएं एक-दूसरे से कैसे संबंधित हैं?"

यह ढांचा तीन चरणों में कार्य करता है:

1. संबंध-स्तरीय टोपोलॉजी निर्माण (क्लाइंट-साइड)

प्रत्येक क्लाइंट $k$ अपने निजी डेटा पर अपने स्थानीय विषम मॉडल को प्रशिक्षित करता है।

प्रोटोटाइप निष्कर्षण (Prototype Extraction): क्लाइंट अपने स्थानीय डेटासेट में मौजूद क्लासेस के लिए क्लास प्रोटोटाइप $p_{k,c}$ (मीन फीचर रिप्रेजेंटेशन) की गणना करता है।
रिलेशन मैट्रिक्स निर्माण: प्रोटोटाइप अपलोड करने के बजाय, क्लाइंट एक स्थानीय रिलेशन मैट्रिक्स $R_k \in [0, 1]^{C \times C}$ बनाता है। $R_k(c, c')$ प्रविष्टि क्लास $c$ और $c'$ के प्रोटोटाइप के बीच कोसाइन समानता (cosine similarity) को दर्शाती है, जिसे $[0, 1]$ तक रीस्केल किया गया है।
सांख्यिकी (Statistics): क्लाइंट इन संबंधों के सांख्यिकीय समर्थन को मापने के लिए क्लास सैंपल काउंट $n_k$ को रिकॉर्ड करता है।
अपलोड: केवल रिलेशन मैट्रिक्स $R_k$ और सांख्यिकी $n_k$ अपलोड की जाती है। कच्चे प्रोटोटाइप और फीचर कोऑर्डिनेट्स स्थानीय रहते हैं।

2. विश्वसनीयता-जागरूक वैश्विक टोपोलॉजी एकत्रीकरण (सर्वर-साइड)

सर्वर स्थानीय संबंधों को एक वैश्विक टोपोलॉजी $R_g$ और एक विश्वसनीयता मैट्रिक्स $S_g$ में एकत्रित करता है।

मास्किंग (Masking): एक बाइनरी मास्क $M_k$ उन क्लास पेयर्स को बाहर करता है जो किसी विशिष्ट क्लाइंट पर देखे नहीं गए हैं।
विश्वसनीयता वेटिंग (Reliability Weighting): दो क्लासेस के सैंपल काउंट के हार्मोनिक मीन के आधार पर एक वेट $w_k(c, c')$ की गणना की जाती है। कम सैंपल द्वारा समर्थित संबंधों को कम महत्व दिया जाता है।
एकत्रीकरण (Aggregation): वैश्विक संबंध $\tilde{R}_g$ , वैध स्थानीय संबंधों का एक विश्वसनीयता-भारित औसत है।
विश्वसनीयता मैट्रिक्स (Reliability Matrix): $S_g$ प्रत्येक वैश्विक संबंध जोड़ी के लिए साक्ष्य (evidence) की सापेक्ष मात्रा को ट्रैक करता है।
स्मूथिंग (Smoothing): राउंड-टू-राउंड उतार-चढ़ाव को कम करने के लिए एक एक्सपोनेंशियल मूविंग एवरेज (EMA) लागू किया जाता है।
ब्रॉडकास्ट: सर्वर $(R_g, S_g)$ को क्लाइंट्स को ब्रॉडकास्ट करता है।

3. टोपोलॉजी-गाइडेड स्थानीय प्रशिक्षण (क्लाइंट-साइड)

क्लाइंट्स फीचर स्पेस को संरेखित किए बिना स्थानीय निर्णय सीमाओं (decision boundaries) को तेज करने के लिए वैश्विक टोपोलॉजी का उपयोग करते हैं।

गाइडेंस चयन (Guidance Selection): ग्राउंड ट्रुथ $y$ वाले एक ट्रेनिंग सैंपल के लिए, क्लाइंट उन टॉप- $q$ नेगेटिव क्लासेस को चुनता है जो टोपोलॉजिकल रूप से $y$ के सबसे करीब हैं ( $R_g$ के आधार पर) और सबसे विश्वसनीय रूप से समर्थित हैं ( $S_g$ के आधार पर)।
लॉजिट मॉड्यूलेशन (Logit Modulation): चुनी गई इन नेगेटिव क्लासेस के लॉजिट्स को एक कारक $\gamma$ द्वारा बढ़ाया जाता है।
लॉस फंक्शन (Loss Function): स्थानीय लॉस मानक क्रॉस-एंट्रॉपी लॉस के साथ एक सहायक टर्म को जोड़ता है जो मॉडल को दंडित करता है यदि वह इन "हार्ड" नेगेटिव क्लासेस से ग्राउंड ट्रुथ को अलग करने में विफल रहता है।
अनुमान (Inference): वैश्विक टोपोलॉजी का उपयोग केवल प्रशिक्षण के दौरान किया जाता है। अनुमान के समय, क्लाइंट अपने मूल स्थानीय मॉडल का उपयोग करते हैं, जिससे शून्य अनुमान ओवरहेड (zero inference overhead) होता है।

मुख्य योगदान

संबंध-स्तरीय ज्ञान साझाकरण: FedTopo पहला ढांचा है जो वैश्विक ज्ञान को पैरामीटर, लॉजिट्स या प्रोटोटाइप कोऑर्डिनेट्स के बजाय क्लास रिलेशन टोपोलॉजी के रूप में साझा करता है। यह क्रॉस-क्लाइंट एलाइनमेंट धारणा को इंट्रा-क्लाइंट कंसिस्टेंसी धारणा में ढीला करता है।
विश्वसनीयता-जागरूक एकत्रीकरण: यह विधि उन संबंधों को कम महत्व देने के लिए एक तंत्र पेश करती है जो स्पार्स डेटा या कमजोर समर्थन के कारण अविश्वसनीय हैं, जिससे यह सुनिश्चित होता है कि वैश्विक टोपोलॉजी नॉन-IID डेटा वितरण के प्रति मजबूत है।
टोपोलॉजी-गाइडेड प्रशिक्षण: एक नवीन प्रशिक्षण उद्देश्य जो वैश्विक टोपोलॉजी का लाभ उठाकर भ्रमित करने वाली नेगेटिव क्लासेस पर जोर देता है, जिससे फीचर स्पेस एलाइनमेंट की आवश्यकता के बिना स्थानीय भेदभाव (discrimination) में सुधार होता है।
दक्षता (Efficiency): यह ढांचा कम संचार लागत ( $O(C^2)$ के साथ स्केल करता है, न कि $O(C \times d)$ ) और शून्य अनुमान ओवरहेड के साथ स्टेट-ऑफ-द-आर्ट प्रदर्शन प्राप्त करता है।

प्रयोगात्मक परिणाम

लेखकों ने आठ विषम बैकबोन (CNN से लेकर ResNet-152 तक) का उपयोग करके Dirichlet और pathological नॉन-IID सेटिंग्स के तहत CIFAR-10, CIFAR-100, और Tiny-ImageNet पर Fedبس का मूल्यांकन किया।

प्रदर्शन: FedTopo ने तीनों ज्ञान-साझाकरण प्रतिमानों (पैरामीटर, डिस्टिलेशन, और प्रोटोटाइप शेयरिंग) में लगातार बेसलाइन्स को पछाड़ दिया।
- CIFAR-10 (Dirichlet $\alpha=0.1$ ) पर, FedTopo ने 87.38% सटीकता प्राप्त की, जो सर्वश्रेष्ठ बेसलाइन (FedSCE 86.18% पर) से 1.2 अंक अधिक है।
- CIFAR-100 (Pathological) पर, इसने 59.30% प्राप्त किया, जो सर्वश्रेष्ठ बेसलाइन (FedMRL 57.45% पर) से 1.85 अंक अधिक है।
मजबूती (Robustness): जैसे-जैसे मॉडल विषमता और डेटा स्क्यू बढ़ा, प्रदर्शन का अंतर भी बढ़ गया, जो दर्शाता है कि संबंध-स्तरीय टोपोलॉजी, निरपेक्ष कोऑर्डिनेट्स की तुलना में अधिक हस्तांतरणीय है।
एब्लेशन स्टडीज (Ablation Studies): किसी भी घटक (विश्वसनीयता वेटिंग, Top-q चयन, मिसिंग-अवेयर मास्किंग, या EMA) को हटाने से प्रदर्शन में गिरावट आई, जो पूर्ण डिज़ाइन की आवश्यकता की पुष्टि करता है।
लागत: CIFAR-10 पर प्रति राउंड अपलोड करने के लिए FedTopo को केवल 110 पैरामीटर्स और डाउनलोड करने के लिए 200 की आवश्यकता थी, जो प्रोटोटाइप-आधारित विधियों (5,120 पैरामीटर्स) की तुलना में काफी कम है। इसने नगण्य ट्रेनिंग FLOPs जोड़ा और शून्य इन्फरेंस FLOPs।

महत्व और दावे

पेपर का दावा है कि FedTopo मौलिक रूप से साझा किए जाने वाले ज्ञान की प्रकृति को बदलकर मॉडल-विषम FL के लिए एक अधिक मजबूत समाधान प्रदान करता है। निरपेक्ष कोऑर्डिनेट्स एलाइनमेंट (जो विषम बैकबोन के तहत विफल हो जाता है) से सापेक्ष संबंध निरंतरता (relative relation consistency) (जो विभिन्न फीचर स्पेस में संरक्षित रहती है) की ओर स्थानांतरित होकर, यह विधि साझा आर्किटेक्चर, सहायक डेटा, या फीचर एलाइनमेंट की आवश्यकता के बिना प्रभावी सहयोग को सक्षम बनाती है।

लेखक इस बात पर जोर देते हैं कि यह दृष्टिकोण:

प्रोटोटाइप शेयरिंग में अंतर्निहित "अविश्वसनीय वैश्विक प्रोटोटाइप" की समस्या से बचता है।
डेटा-मुक्त (data-free) सेटिंग्स में प्रभावी ढंग से संचालित होता है (कोई सार्वजनिक सहायक डेटा आवश्यक नहीं है)।
अत्यधिक व्यक्तिगत सेटिंग्स में भी पॉजिटिव ट्रांसफर प्रदान करता है जहाँ स्थानीय मॉडल पहले से ही मजबूत होते हैं।
कम संचार और कंप्यूटेशनल ओवरहेड बनाए रखता है, जिससे यह संसाधन-बाधित एज डिवाइसेस के लिए व्यावहारिक बनता है।

कार्य यह निष्कर्ष निकालता है कि संबंध-स्तरीय टोपोलॉजी विषम FL में वैश्विक ज्ञान के लिए एक बेहतर वाहक है, जो उस संतुलन को प्रदान करती है जिसकी मौजूदा प्रतिमानों में कमी है। भविष्य के कार्यों के लिए इसे मल्टी-मोडल और ओपन-सेट परिदृश्यों तक विस्तारित करने का सुझाव दिया गया है।