FlatLand：通过定制 Lorentz 空间实现个性化图联邦学习

基于摘要分析。本文研究客户端图结构差异较大时的个性化图联邦学习，提出 FlatLand：将不同客户端的数据嵌入定制的双曲几何 Lorentz 空间，通过参数解耦分别承载客户端异质信息与共享知识。其主要研究对象是分布在不同客户端的图数据，并非 EEG 或 BCI 信号。 核心机制是利用双曲几何表征图中常见的负曲率结构，并以 Lorentz 空间的类时维度编码客户端特异性。作者将异质信息分配给类时参数，将公共知识保留在类空参数中，据此进行直接聚合，无需估计客户端相似度或引入额外计算模块。具体嵌入方式、曲率设置、优化目标、参数交换范围及训练流程尚未验证。 作者报告，FlatLand 在多种联邦图学习任务中取得优于对照方法的表现，尤其是在低维设置下；摘要未提供数据集、客户端划分、评价指标、数值结果或对照方法名称，因此无法判断收益幅度及适用边界。实验协议、消融及统计信息尚未验证。摘要称代码已在 GitHub 提供，但当前材料未给出仓库地址，复现条件仍需核对。 平台推测（待验证）：若 EEG 被明确构造成通道连接图，并以被试或采集中心作为客户端，该参数解耦思路可能用于研究跨被试图结构差异与共享表征之间的分离。此假设依赖连接图具有适合双曲嵌入的结构，原领域结果不等于 BCI 有效性。可复用的是 Lorentz 表征与解耦聚合思路，需改造 EEG 图构建、时序编码及任务监督模块；低信噪比造成的连接估计不稳定、通道不一致和客户端小样本均可能使几何假设失效。一个可检验的小实验是在固定 EEG 图构建、客户端划分、骨干和通信预算下，对比该解耦聚合与欧氏空间聚合，并移除类时个性化以检验其贡献。已有 EEG 相关工作尚未检索确认。