PraVFed：通过表征学习实现实用的异构纵向联邦学习

基于摘要分析。本文研究纵向联邦学习（VFL）中参与方本地模型异构与频繁通信的问题，提出 PraVFed，通过局部嵌入加权聚合、盲化保护及多轮本地预模型训练，支持异构模型协作并降低通信开销。研究对象是跨机构、特征纵向分布的数据协作学习，并非 EEG 或 BCI 专用方法。 机制上，PraVFed 对被动参与方的局部嵌入值进行加权聚合，以减轻本地模型异构信息对全局模型的影响；使用盲化因子保护被动方的局部嵌入；让被动方执行多轮本地预模型训练，以减少通信，同时保护标签隐私。摘要未说明权重计算方式、训练目标、样本对齐方式及隐私威胁模型，这些细节尚未验证。 作者报告开展了理论分析与实验，并在 CINIC10 上以达到 60% Accuracy 为目标时，相比基线方法将通信成本降低 70.57%。摘要未明确该基线名称、数据划分、参与方配置，以及通信成本按字节量还是其他口径计量，因此该结果不能直接外推至其他协议。实验协议、消融及统计信息尚未验证。摘要提供了代码仓库地址，但其内容与可运行性尚未核验。 平台推测（待验证）：若 EEG 与其他模态特征由不同机构持有，且对应同一批可对齐样本，其异构模型协作与减少通信的机制可能具有参考价值；这不等同于常见的跨被试横向联邦学习。假设可复用嵌入聚合与本地更新流程，仍需改造 EEG 编码器、跨模态样本对齐和隐私评估；低信噪比、通道不一致、小数据及不同模态信息量失衡可能使聚合或多轮本地更新失效。一个可证伪的小实验是在固定被试划分和相同目标 Accuracy 下，比较逐批通信基线与 PraVFed 的通信字节量及预测性能。已有 EEG 相关工作尚未检索确认。