FedRG：释放表征几何在含噪声客户端的联邦学习中的潜力

基于摘要分析。该研究面向分布式场景中标签噪声与客户端数据异质性共同导致的联邦学习性能退化，提出 FedRG，以不依赖标签的表征几何识别噪声样本，而非主要依赖样本的标量损失。 机制上，FedRG 首先通过自监督学习构建标签无关的球面表征，再迭代拟合球面 von Mises–Fisher（vMF）混合模型以捕获语义簇。随后，将几何证据与语义—标签软映射结合，计算标签无关特征空间与标注标签条件特征空间之间的分布差异，据此识别噪声样本，并使用新分离出的干净样本集更新语义—标签映射。最后，方法引入个性化噪声吸收矩阵，对含噪标签进行鲁棒优化；具体损失形式、更新顺序及客户端与服务器之间的实现分工尚未验证。 作者报告，在数据异质性和多种噪声客户端场景下，FedRG 优于所比较的现有先进方法。摘要未提供数据集、噪声生成协议、客户端划分、对照方法或具体指标，因而无法判断优势幅度和适用边界；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若各客户端能学到具有任务语义的球面表征，该机制可能用于应对 EEG 联邦分类中的标签噪声，但这不构成已验证的 EEG 或 BCI 效果。可复用部分是球面聚类、语义—标签软映射及噪声吸收机制；需改造 EEG 编码器、自监督任务及通道对齐策略。低信噪比、跨被试差异和小样本可能使聚类主要反映被试或采集条件，而非任务类别，进而把真实类别差异误判为标签噪声。一个可证伪的小实验是：在固定的跨被试划分中，以被试作为客户端，仅向训练标签注入可追踪噪声，比较几何识别与损失识别的噪声检出表现及测试集分类指标，并单独检查无噪声客户端的误判率。已有相关 EEG 工作尚未检索确认。