FedReFT：采用 All-But-Me 聚合的联邦表征微调

基于摘要分析。本文研究大型预训练模型在联邦学习中的表征微调问题，重点应对客户端数据分布、模型容量与计算资源的异构性。作者提出 FedReFT，通过稀疏干预层直接调整隐藏表征，并用 All-But-Me（ABM）聚合平衡本地适配与跨客户端知识共享；原始评估对象是语言理解与推理任务，并非 EEG 或 BCI。 机制上，ReFT 不以更新模型权重为主要适配方式，而是干预隐藏表征。作者指出，异构任务下直接平均表征层更新可能破坏语义对齐。ABM 为每个客户端聚合其他客户端的更新，再由该客户端部分吸收，以支持个性化学习；另有受 Test-Time Computing（TTC）启发的自适应更新策略，用于调节本地与全局贡献。干预层位置、稀疏方式、聚合公式及自适应策略的计算开销尚未验证，不能据摘要将其等同于测试时自适应。 作者报告，FedReFT 在常识推理、算术推理及 GLUE 基准上取得领先性能，相对主要 LoRA 方法具有原文所述“1x–49x”的参数效率优势。但摘要未提供具体模型、客户端划分、异构程度、任务分数或参数效率定义，因此无法确认该倍数的计算口径，也不能据此推断通信量或运行时间同比下降。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若以预训练 EEG 编码器为基础、将被试或机构作为客户端，ABM 可能用于检验跨被试分布差异下的负迁移问题。可复用的是稀疏表征干预与排除自身的聚合思路；需改造干预位置、通道对应关系及本地与全局更新的混合规则。该假设依赖各客户端具有可兼容的表征和干预参数，不能仅凭 ABM 推断不同架构之间可直接聚合。低信噪比、通道差异及小样本可能使其他客户端的更新失效。一个小规模检验是在固定 EEG 编码器和相同参数预算下，对比本地 ReFT、直接平均聚合与 ABM，并在预先固定的 Cross-subject 协议中检查平均性能和客户端间差异。相关 EEG 工作尚未检索确认。