FedSpec：用于异构联邦学习的共享谱结构

基于摘要分析。FedSpec 研究异构联邦学习中不同模型架构的参数与表征空间不兼容问题，通过共享谱结构而非直接共享参数或显式对齐特征，建立跨模型的结构性知识交换途径。 其核心机制是对本地特征进行奇异值分解，将异构特征空间转换为固定长度、归一化的谱结构，再聚合为全局谱结构，并将其作为本地谱校正的结构先验。奇异值用于刻画主要表征方向的相对重要性分布，因此共享对象是表征的谱统计结构，而非方向本身。固定长度的具体构造、谱归一化与聚合方式、校正目标及训练流程尚未验证。作者还称分析了收敛行为和信息约减性质，但摘要未给出相关假设与结论细节。 作者报告，在多种架构和数据模态的实验中，FedSpec 优于所比较的先进方法，Accuracy 最高提升 7.67%，且通信成本明显降低。摘要未列出对应数据集、划分、基线或通信计量方式，也未明确该提升是相对百分比还是百分点，因此不能据此进行定量横向比较；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若不同 EEG 客户端采用异构编码器但执行相同任务，共享谱统计可能为无法直接聚合参数的跨被试协作提供接口。该假设依赖各客户端特征谱具有可比较的任务含义；可复用谱提取与聚合思路，但需适配 EEG 特征构造、通道配置及本地训练目标。低信噪比下，主要谱成分可能反映伪迹或被试差异，小样本也可能使谱估计不稳定。一个可证伪的小实验是在固定 EEG 数据划分、异构编码器和通信预算下，对比独立本地训练与加入全局谱校正的任务表现，并检查改善是否跨被试一致。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。