重新思考非独立同分布数据下联邦无监督学习中的表征

基于摘要分析。本文研究非独立同分布（non-IID）数据下的联邦无监督学习（FUSL），提出 FedU2，通过客户端表征均匀化与服务器端更新一致性约束，缓解表征坍塌及客户端表征空间不一致问题。原研究对象是通用去中心化数据的表征学习，摘要中的评估数据为图像数据，并非 EEG 或 BCI。 作者将现有方法的困难归纳为两类：一是局部模型的表征坍塌会影响全局模型，并进一步波及其他客户端；二是在监督信号不足时，各客户端可能形成不一致的表征空间。FedU2 包含 flexible uniform regularizer（FUR）和 efficient unified aggregator（EUA）：FUR 在客户端推动样本表征均匀分散，以避免坍塌；EUA 在服务器端约束客户端模型更新的一致性，以促进统一表征。摘要未给出正则项、聚合目标的数学形式，以及具体训练与通信流程。 作者报告在 CIFAR10 和 CIFAR100 上开展了 cross-device 与 cross-silo 两类联邦评估，但摘要未提供性能数值、对照基线、客户端划分或 non-IID 构造方式，因此不能据此判断提升幅度或不同协议下的优势。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若将被试或采集站点视为客户端，FedU2 的机制可能对应 EEG 无标签数据中的跨被试分布差异与联邦表征退化问题；这是迁移假设，不是已证实的 BCI 效果。可考虑复用表征正则与聚合思路，但需适配 EEG 编码器、通道布局及时间结构。低信噪比、小样本和客户端任务差异可能使均匀分散强化噪声，或使更新一致性约束抹去有用的被试差异。一个可证伪的小实验是在固定被试划分、编码器与通信预算下，对比基础联邦无监督训练、加入 FUR、加入 EUA 及完整 FedU2，同时测量表征坍塌程度与冻结编码器后的 Cross-subject 分类表现。已有 EEG 相关工作尚未检索确认。