Fed-REACT：面向异质时间序列数据的联邦表征学习

基于摘要分析。该研究针对联邦学习中客户端数据分布随时间及客户端而变化、进而影响常规联邦算法性能的问题，提出 Fed-REACT，将表征学习与 evolutionary clustering（演化聚类）结合，用于异质时间序列上的本地下游任务。 方法分为两个阶段：首先，客户端学习从本地时间序列提取有意义特征的模型；随后，服务器自适应地将客户端分组，并协调各簇内任务模型的学习，支持分类或回归等表征提取之后的下游任务。其机制重点在于将表征提取与簇级任务学习分开，而不是仅依赖单一全局任务模型。聚类依据、随时间更新的规则、表征模型是否共享以及具体训练目标尚未验证。 作者报告，在真实世界时间序列数据集上的实验中，该算法具有较高准确率和鲁棒性，并提供了性能理论分析。摘要未给出数据集名称、任务划分、对照基线、指标数值或理论成立条件，因此无法量化优势，也无法判断其在不同异质性条件下的稳定程度。实验协议、消融及统计信息尚未验证；复现还需核对客户端构建方式、通信与计算开销及实现可得性。 平台推测（待验证）：假设 EEG 客户端存在可聚类的任务相关分布结构，簇级学习可能缓解跨被试或跨会话差异导致的负迁移；但原领域有效不等于 BCI 有效。可考虑复用客户端分组与簇级协调机制，表征提取器和聚类特征则需适配 EEG 通道与时序结构。低信噪比、通道不一致及单客户端小数据可能使聚类主要反映噪声或采集差异。一个可证伪的小实验是在固定跨被试划分、监督信息和通信预算下，对比单一全局联邦模型、固定聚类与自适应聚类，检验簇级学习是否稳定改善被试级表现；已有 EEG 相关工作尚未检索确认。