Fed-DREAM：通过关系学习连接混合联邦学习中的碎片化视图

基于摘要分析。Fed-DREAM 面向混合联邦学习（HBFL）中样本空间与特征空间同时分散于不同客户端的问题，尝试通过协作式关系学习整合各客户端预测能力有限的局部视图。其主要研究对象是通用联邦表示学习，而非 EEG 或 BCI。 框架包含三个阶段：首先通过联邦分裂式聚类，在不暴露原始数据的条件下构建结构对齐的全局簇；随后采用多样本表示级 mixup，生成用于共享的合成特征；最后利用边条件门控图神经网络，使消息传递依赖客户端间的特征归属关系，从而融合碎片化视图。相较于摘要所述的静态特征或预测融合方法，核心区别在于显式建模客户端间关系。簇对齐所需的样本对应信息、具体共享内容及隐私保护假设尚未验证。 作者报告，在表格、图像和文本模态实验中，Fed-DREAM 的性能持续优于所比较的先进基线，且成员推断泄漏低于其中效用最高的基线。摘要未提供数据集、划分、指标数值或攻击设置，因此尚不能判断收益幅度与适用边界；较低的成员推断泄漏也不能单独视为形式化隐私保证。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 联邦场景确实存在样本与通道或特征同时碎片化，该关系融合机制可能对应跨客户端视图不完整的瓶颈。可考虑复用关系条件化消息传递，但需改造 EEG 表示提取、通道归属关系与簇对齐方式；低信噪比、跨被试差异和小样本可能使全局簇失配，表示级 mixup 也可能削弱任务相关信号。一个可检验的假设是：在固定跨被试划分、受控样本及通道碎片化条件下，关系条件化融合优于静态融合；可先以相同特征提取器比较二者，并同步评估成员推断泄漏。已有 EEG 相关工作尚未检索确认。