通过随机化聚合缓解联邦学习贡献分配的不稳定性

基于摘要分析。本文研究联邦学习（FL）中参与者贡献评估与奖励分配的稳定性，重点考察不同聚合策略下 Shapley 值是否产生一致的贡献判断，而非主要研究模型预测性能。其贡献是结合基于梯度的模型重建技术与 Shapley 值，从整体和单个客户端层面分析贡献估计的差异。 方法与对照：作者使用基于梯度的模型重建技术评估参与者贡献，将按训练轮次计算的贡献与一种经典的数据贡献度量方案比较，并考察多种聚合策略。摘要未说明模型重建的具体流程、Shapley 值计算或近似方式，以及经典对照方案的名称，相关实现尚未验证。 结果与证据边界：作者报告，在所考察的不同聚合策略之间，Shapley 值会导致参与者奖励分配不稳定；分析覆盖 IID 与 non-IID 数据异质性情境。摘要未提供数据集、客户端数量、异质性构造、稳定性指标或定量结果。标题提出通过随机化聚合缓解这一问题，但摘要未交代随机化机制及其缓解幅度，不能据此认定其有效性已获验证。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若跨机构 EEG 联邦训练需要按贡献分配奖励，本文的问题框架可能用于检验奖励是否过度依赖聚合策略；这一对应针对协作激励，不代表 EEG 解码性能改进。可复用的是贡献稳定性的评估思路，需适配的是 EEG 任务效用指标、客户端定义和跨被试数据划分。低信噪比、通道差异及小样本可能使效用估计波动，进而混淆真实贡献差异与评估噪声。一个可检验的小实验是假设固定 EEG 数据划分、本地训练与评估集，仅改变聚合策略和随机种子，比较客户端贡献排序及奖励分配的变化，并同时记录解码指标。已有 EEG 相关工作尚未检索确认。