FedAR：面向异构联邦学习的属性引导表征学习

基于摘要分析。本文研究视觉任务中的异构联邦学习，旨在解决客户端模型架构与数据分布不同所导致的语义表征不一致问题。FedAR 通过共享的语言驱动属性空间提供细粒度语义监督，试图缓解仅依赖类别原型对齐时的语义漂移与背景偏差。 核心机制包括：利用大语言模型生成具有判别性的视觉属性，再由预训练视觉语言模型编码，形成跨客户端共享的语义锚点；各客户端在该空间中采用属性引导注意力，自适应调节视觉特征，以增强前景关注并抑制背景噪声。训练结合 CLIP-style 对比损失与属性存在性损失，分别用于全局类别对齐和局部语义落地。其主要方法差异是将粗粒度类别监督扩展为属性级监督，而非仅共享类别原型。 作者报告，在多个基准上，FedAR 相较所比较方法获得更高 Accuracy，并具有更好的通信效率和表征可解释性。摘要称 Accuracy 改善最高达 10.33%，但未说明该数值对应的具体基准、客户端划分、对照方法及相对增幅或百分点口径，不能据此直接比较。数据集、属性标注或监督来源、客户端架构配置、通信开销核算、消融及统计信息尚未验证。 平台推测（待验证）：共享语义锚点可能为跨被试或跨设备 EEG 联邦学习提供对齐思路，但原方法依赖视觉属性及预训练视觉语言表征，其前景与背景概念不能直接等同于 EEG 有效信号与伪迹。迁移假设需要以可验证的神经信号属性重建语义空间，并改造特征编码与注意力模块；低信噪比、通道差异及小数据可能使属性监督失真。可在固定跨被试划分和通信预算下，对比类别原型对齐与属性锚点对齐，并以打乱属性映射作为对照，检验收益是否来自有效语义。已有 EEG 相关工作尚未检索确认。