提升联邦学习的全局泛化与局部个性化

基于摘要分析。本文研究异质客户端数据下，联邦学习难以同时优化全局模型泛化与本地模型个性化的问题，提出 personalized federated learning via cross silo prototypical calibration（pFedCSPC），通过个性化初始化、原型知识共享和跨来源特征校准增强客户端协作。 方法首先采用自适应聚合，为各客户端提供个性化初始模型；随后在客户端通过聚类学习类别表征模式，对各簇内的表征取平均形成局部原型，再由服务器聚合为全局原型。全局原型用于引导本地表征学习，作者认为这有助于缓解数据不平衡与过拟合。此外，cross-silo prototypical calibration（CSPC）模块借助对比学习，将不同来源的异质特征映射到统一空间，以提升全局模型泛化能力。摘要未给出具体损失形式、聚类与聚合细节，也未说明原型交互的隐私保护机制。 作者报告，在四个数据集上的性能比较、消融、深入分析及案例研究中，pFedCSPC 同时改善了全局泛化与局部个性化表现。摘要未提供数据集名称、划分协议、对照方法或数值结果，因而无法判断改善幅度与适用边界；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：该方法依赖可聚类的本地表征及跨客户端可对应的类别语义，可能对应 EEG 联邦学习中被试或站点差异与个性化适应之间的矛盾。自适应初始化和原型交互可作为候选复用模块，但需改造 EEG 编码器与通道对齐方式，并核对原型构建的标签依赖。低信噪比、少量试次或客户端类别覆盖不足，可能使原型不稳定；过强的统一空间约束也可能压制个体有效差异。可检验的假设是：在按被试划分客户端、采用相同数据与通信预算的 EEG 分类实验中，加入 CSPC 能否同时改善预先定义的全局评估与本地个性化评估，并与移除 CSPC 的版本比较。已有 EEG 相关工作尚未检索确认。