FedGME：用于临床 EEG 分类的联邦高斯混合学习

基于摘要分析。FedGME 面向临床 EEG 多站点联邦分类中的标签分布偏斜及部分站点缺失类别问题，以每类低秩高斯分量替代模型权重或单点原型进行交换，使客户端能够利用共享分布学习本地未出现的类别。 核心机制：客户端基于预训练 EEG 模型构建类别高斯分量，服务器并列保留各站点的分量，将每个类别表示为可采样的混合分布，旨在保留 EEG 的类内变异。摘要还介绍了以既有的保持分布离散程度的对比损失替换 FedPCL 的原型级对比损失，并按患者身份加权，以缓解原型训练中的类内表示坍缩；具体损失形式、低秩参数化及采样训练流程尚未验证。 作者报告，在来自 TUH EEG Corpus 的三个语料上，对于客户端本地未观察到的类别，FedGME 的 Balanced Accuracy 达到 0.15–0.30，原型方法接近零，FedAvg 最高为 0.10。在两个多分类任务中，相对 FedAvg 的整体 Balanced Accuracy 平均提升 15.5%，绝对增量最高为 0.060；传输载荷仅为 FedAvg 的 0.2%–1.3%，且不传输模型权重。作者报告，在相同传输载荷下，相关对比损失改动使表示的有效秩最高达到 FedPCL 的 4.2 倍。在类别均未缺失的平衡二分类任务上，FedGME 与 FedAvg 表现相当，提示其优势与标签偏斜及缺失类别情境有关，而非所有分类任务中的普遍增益。 复现需核对三个语料及任务名称、预训练模型、站点构造方式、患者级划分、缺失类别设置、通信轮次与载荷统计口径。摘要不足以确认评估属于跨被试或跨会话协议，也不能据此确认高斯分量共享具有形式化隐私保障。实验协议、消融及统计信息尚未验证；这些临床 EEG 分类结果不应直接视为 BCI 在线控制有效性的证据。