无服务器 Gossip 训练 LSTM 故障检测器：在 NASA C-MAPSS 上与联邦、本地及集中式学习的匹配协议对比
去中心化联邦学习的新选择
工业预测性维护正面临一个现实难题：设备分布在不同站点，传感器数据因隐私、带宽或合规限制难以集中汇聚。联邦平均（FedAvg） 通过中心聚合服务器解决这一问题，而 Gossip 学习 则更进一步——彻底移除服务器。但针对循环故障检测模型，Gossip 学习在受控条件下的表现一直缺乏系统测量。
一篇新发表于 arXiv 的论文 《Serverless gossip training of LSTM failure detectors: A matched-protocol comparison with federated, local and centralized learning on NASA C-MAPSS》 填补了这一空白。作者 Yusuf Öztürk 等人对比了同步环形 Gossip、FedAvg、孤立本地训练以及集中式参考四种方法，任务是在 NASA C-MAPSS 涡扇发动机基准上检测即将发生的故障，模型采用堆叠 LSTM。
严格的控制变量实验
所有方法共享同一套开放实现、架构、初始化、优化器、数据划分和训练预算。主要评估指标使用每个测试引擎的单个终端窗口，以避免重叠窗口带来的统计依赖问题。
在 FD001 子集（五个随机种子）上，结果如下：
- Gossip：终端窗口 F1 为 89.6 ± 1.3%
- FedAvg：89.9 ± 1.1%
- 本地训练：83.6 ± 6.7%
- 集中式训练：93.5 ± 2.1%
值得注意的是，Gossip 在传输与 FedAvg 相同数据负载的情况下，无需任何协调器。节点模型之间高度一致但并非完全相同——成对决策分歧率为 1.8%，而无通信时高达 5.6%。
跨子集表现与鲁棒性
在 FD002 至 FD004 子集上，对等通信将终端窗口 F1 相比本地训练提升了 13 至 28 个百分点。Gossip 在 FD003 和 FD004 上与 FedAvg 持平，但在多工况的 FD002 子集上低 4.3 个百分点。
模拟消息丢失、节点故障和服务器宕机对两种方法均无显著影响，但环形规模增大时 Gossip 性能下降更快。这表明：当数据异质性适中时，环形 Gossip 是实用的无服务器替代方案；而异质性加剧时，更快混合的拓扑结构变得至关重要。
行业启示
这项研究为工业物联网场景提供了重要参考。对于无法部署中心服务器或担心单点故障的预测性维护系统，Gossip 学习在中等异质性数据下已接近 FedAvg 的精度。但若各站点数据分布差异巨大，仍需考虑更高效的通信拓扑。论文代码已开源，为后续研究提供了可复现的基准。
