面向异质联邦学习的渐进式几何对齐

基于摘要分析。本文研究统计异质性导致联邦学习客户端表征不一致、进而影响全局泛化的问题，提出 FedVGA：以共享分类器诱导的几何结构协调表征学习，并让本地适配的决策结构仅在服务器端整合后影响后续表征。 核心机制：作者认为，常规本地联合优化使分类器与异质客户端数据共同适应，形成客户端特有的判别几何，额外引入表征梯度偏移。FedVGA 将共享几何表示为球面 Voronoi 配置，通过包含 Align-and-Adapt 与 Geometry-Confidence Aggregation 的“全局—本地—全局”循环逐步细化该配置。其方法重点不只是聚合客户端参数，而是控制本地决策结构影响表征学习的路径与时机；具体优化目标、更新顺序和聚合公式尚未验证。 理论与证据：作者报告对几何诱导的表征梯度偏移，以及本地到全局的几何误差传播进行了理论刻画。在标签异质性与特征异质性实验中，作者报告持续的性能收益、渐进几何对齐，以及在边界敏感样本上的明显改善。摘要未提供数据集、模型、客户端划分、基线或指标数值，实验协议、消融及统计信息尚未验证，尚不能判断收益规模及适用边界。 平台推测（待验证）：假设将不同被试视为联邦客户端，共享分类器几何可能有助于缓解 EEG 跨被试表征与决策边界不一致。但该路径依赖客户端之间具有可对应的标签语义和表征空间；可考虑复用几何协调与服务器整合机制，EEG 编码器、通道对齐和置信度估计则需适配。低信噪比、小样本及被试间类别结构差异可能使几何估计不稳定。一个可检验的小实验是在固定 EEG 编码器、客户端划分与通信预算的条件下，对比启用和关闭几何协调的版本，同时观察任务指标与几何对齐程度是否同步改善。已有 EEG 相关工作尚未检索确认。