本研究提出了一种混合去中心化框架，旨在解决云边缘资源管理的复杂性和动态性。通过图神经网络和多智能体强化学习，实现高效的资源决策和动态应用部署，从而提升管理的可扩展性和准确性。

分布式机器学习通过多节点并行训练应对复杂应用，但需解决高效并行与模型一致性问题。最新研究包括去中心化框架、安全拜占庭容错训练、通信高效算法（如adaComp减少数据量191倍）、DiLoCo降低通信开销500倍，以及集成压缩和个性化学习等方法，兼顾效率、精度与鲁棒性。

本文提出了一种完全去中心化的框架，用于在节点网络中训练机器学习模型。通过引入信念的贝叶斯式方法，节点可以通过聚合邻居的信息来更新信念，从而在整个网络上学习最适合观察的模型。实验证明，该算法提供了显着的精度改进。