FLARE：通过联邦表示学习实现可靠的局部解释

基于摘要分析。该研究关注联邦学习中客户端数据稀疏、类别不平衡或异质时，局部解释邻域缺乏代表性与支持度的问题，提出 FLARE，利用协作学习的表示改善面向特定查询的真实样本邻域构造，同时将原始数据与解释生成保留在客户端本地。 机制上，FLARE 使用协同训练的 SCARF 编码器，引导客户端本地的源域—目标域邻域构建，再通过支持度感知的邻域补全和自适应代理权重提高解释可靠性，最终以加权 Ridge 代理模型生成解释。其核心是利用跨客户端共享的结构知识辅助本地解释，而非直接共享原始样本；邻域补全规则、权重计算及编码器训练细节尚未验证。作者声称，将联邦表示学习与客户端本地真实样本邻域结合用于查询特定代理解释，是该框架的创新点。 作者报告，在五个表格数据集、七项分类任务上，覆盖预定义源域—目标域偏移及自然多客户端划分，并改变客户端数量、联邦优化器与黑盒预测器进行评估；在所比较基线中，FLARE 的总体保真度表现最强，对客户端数量和黑盒预测器变化仍有效。评估还涉及支持度、稳定性和鲁棒性，但摘要未提供具体分数、数据集名称或基线详情，实验协议、消融及统计信息尚未验证。原始数据不共享不等同于已验证的形式化隐私保证。 平台推测（待验证）：若 EEG 被整理为具有一致特征定义的表格表示，可假设其机制有助于缓解跨被试客户端样本不足时局部解释邻域支持不足的问题。可复用表示引导的邻域选择与加权 Ridge 代理，需改造 EEG 特征表示及客户端划分；低信噪比、通道不一致和小样本可能导致邻域失真。一个可检验的小实验是：固定 EEG 黑盒预测器与客户端划分，对比本地表示和联邦表示构建的真实样本邻域，分别检查代理保真度、支持度及解释稳定性。该假设不构成已证实的 BCI 效果，已有 EEG 相关工作尚未检索确认。