面向泛化联邦表征学习的原型分解知识蒸馏

基于摘要分析。本文研究联邦域泛化：利用分布不同的多个客户端源域训练模型，使其能够泛化到未见目标域，而非针对目标域进行域适应。作者提出 Prototype-Decomposed Knowledge Distillation（PDKD），通过聚合、分解客户端类原型，再将全局原型知识蒸馏回本地模型，以缓解域偏移造成的性能下降。 机制上，方法先聚合不同客户端学习到的局部类原型，再使用 Singular Value Decomposition（SVD）分解局部原型，构造包含类别相关信息的全局原型，最后将其下发给客户端，通过知识蒸馏引导本地模型学习可泛化知识。摘要未明确原型计算方式、SVD 成分选择、蒸馏损失及通信流程，这些实现条件尚未验证。 作者报告在多个数据集上取得有效结果，并在 Office 数据集上相对 FedAvg 提升约 13.5%；摘要未明确该数值对应的指标、相对增幅还是百分点，也未提供源域与目标域划分，因此不能据此作更具体的性能比较。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若将不同被试或会话作为客户端或域，PDKD 的类原型聚合与蒸馏机制可能用于 EEG 跨被试或跨会话泛化。该假设依赖各客户端具有可对应的类别语义及可比较的特征表示，需要改造 EEG 编码器并处理通道差异；低信噪比、类别样本少和被试差异可能使局部原型不稳定，SVD 也可能保留域相关变化而非任务相关信息。可在固定 EEG 数据集上采用留一被试作为未见目标域的协议，对比相同编码器下的 FedAvg、无 SVD 的原型蒸馏与 PDKD，检验收益是否来自原型分解。已有 EEG 相关工作尚未检索确认，原领域结果不构成 BCI 有效性证据。