去中心化学习在非IID数据环境下对通信拓扑极为敏感。自适应的对等体选择方法能够利用本地模型信息，但更广的对等体发现往往需要指数级的控制状态，而直接的谱优化则依赖全图信息。我们聚焦于有界本地拓扑搜索这一中间设定，提出了 Local-First Heuristic Evolution (LFHE)——一种基于表示的重连框架。LFHE 的候选发现与评分仅使用自我邻域（ego‑neighborhood）和朋友的朋友（FoF）信息。
结构得分可以精确解释为图 Dirichlet 能：所有客户端的得分之和等于表示 Dirichlet 能的两倍。在标准线性共识动力学下，这一能量控制表示分歧的瞬时耗散。LFHE 将该状态依赖的结构信号与早期探索和度数控制相结合，代数连通性仅作为离线图诊断指标。由于度数受限，FoF 候选保持局部，不会膨胀至全体对等体追踪。
在四个图像、语音和文本基准上实验表明，LFHE 能够实现竞争性的去中心化学习性能。匹配协议的对照实验确认结构项是主要的经验拓扑选择信号；与更广的对等体发现比较则揭示了预测性能与发现状态局部性之间的权衡。整体结果表明，在对等体配对选择与全局拓扑优化之间，状态感知的有界本地拓扑搜索是一条可行路径。
点评：LFHE 通过仅利用局部两跳信息实现了高效的拓扑自适应，兼顾了性能与通信开销，为非IID 环境下的去中心化学习提供了新思路。