BLEND：平衡联邦视觉语言模型的个性化与泛化

BLEND 研究联邦视觉语言模型（FedVLMs）微调中个性化与泛化的平衡，提出选择性参数微调与聚合框架，将客户端共享适配器与本地个性化适配器结合。基于摘要分析，主要研究对象是视觉语言模型，并非 EEG 或 BCI。 机制上，BLEND 设置跨客户端共享的视觉和文本适配器，以及面向各客户端的个性化视觉投影适配器；其损失函数融合全局与个性化适配器的输出以实现个性化，同时通过零样本 VLM 的投影头构造锚点来促进泛化。具体损失形式、锚点构造、参数更新范围与聚合细节尚未验证。 作者报告，BLEND 在多种系统设置下持续优于先进基线；但摘要未给出数据集、客户端划分、评价指标、分数及对照配置，尚不能量化其收益或判断适用边界。实验协议、消融及统计信息尚未验证。摘要提供了代码仓库地址，代码内容、运行条件及复现完整性尚未核验。 平台推测（待验证）：共享与个性化模块分离、配合冻结参考模型锚点的机制，可能用于探索联邦 EEG 中跨被试共享表征与本地适配的权衡。这一假设依赖可用的 EEG 预训练参考模型，以及适配器与参考投影空间的兼容性，不能直接移植视觉—文本结构。可复用的是模块分工与锚点约束思路，需改造信号编码和投影模块；低信噪比、通道差异、小数据及参考模型域偏移可能使锚点限制有效适配。可在固定跨被试划分下，将被试作为客户端，对照共享适配、共享加个性化适配，以及再加入参考锚点三种设置，分别检验本地与未见被试表现。已有 EEG 相关工作尚未检索确认。