去中心化联邦学习（DFL）通过消除服务器的单点故障和通信瓶颈，提供了可扩展的替代方案。传统的去中心化方法采用全邻域广播，即每轮通信中每个客户端将模型更新发送给所有邻居，这会导致显著的通信开销和能耗。本文引入光谱图工具作为轻量级的客户端选择策略，利用固定通信图的拉普拉斯矩阵的光谱特性来指导邻居的挑选。具体做法是基于特征向量嵌入和热/扩散核相似度，选取结构上最相关的邻居子集，从而提升联邦过程的收敛效率。实验表明，拓扑感知的随机化在保持或超越均匀子采样性能的同时，接近全广播的精度。在数据异构性强且图结构丰富的大规模网络上，准确率提升约 $3$ 个百分点，且消息传输量相比 naïve 广播降低 $50\%$。\n\n点评：该工作展示了利用图谱的固有结构进行通信压缩的可行性，为资源受限环境下的去中心化学习提供了实用思路。