FedBSE：面向开放客户端参与的医学图像分割联邦贝叶斯状态演化

基于摘要分析。FedBSE 研究医学图像分割联邦学习中新机构持续加入的问题，旨在避免重新启动联邦训练的通信与优化开销，以及更新共享模型可能对既有机构性能造成的影响。其核心贡献是将共享分割知识与客户端特异性变化分离，通过低维客户端状态的贝叶斯估计支持新客户端接入。 机制上，初始联邦训练完成后，共享组件被冻结。新客户端利用本地有标签数据及当前状态先验，在低维客户端状态空间中获得闭式估计，无需对完整分割网络进行迭代优化，并保持既有客户端的预测器不变。服务器随后结合所推断的客户端状态及其局部后验不确定性，通过 Gaussian moment matching 更新状态分布，为后续客户端提供先验。摘要未提供状态参数化、闭式解成立条件或具体概率模型，相关细节尚未验证。 作者报告，在三个公开多中心医学图像分割数据集上，FedBSE 获得具有竞争力的分割性能，同时显著降低新客户端接入成本，并支持客户端状态分布随新客户端到来而持续演化。摘要未给出数据集名称、分割指标、成本数值及比较基线；客户端划分、到达顺序、标签规模、消融及统计信息尚未验证。既有预测器保持不变是所述机制的性质，不能据此推断其对所有后续分布变化均具备鲁棒性。 平台推测（待验证）：若 EEG 跨被试差异可由低维状态表征，冻结共享解码器并仅估计新被试状态，可能用于降低有标签新被试接入成本；原论文研究对象仍是医学图像分割，并非 BCI。迁移需重新设计 EEG 编码器、任务输出及状态参数化，低信噪比、通道差异和少量标签可能使状态估计不可靠。可在固定跨被试划分与新被试标签预算下，比较低维状态适配和常规微调的 Accuracy、通信量及计算开销，并检查客户端到达顺序的影响。已有 EEG 相关工作尚未检索确认。