通过基于投票的共识模型压缩加速网内联邦学习

基于摘要分析。本文研究网内联邦学习中可编程交换机（PS）内存受限、难以执行高内存开销聚合算法的问题，提出 Federated Learning in-network Aggregation with Compression（FediAC），通过客户端投票形成共同的模型更新压缩索引，再在交换机上聚合所选更新。 其机制分为客户端投票与模型聚合两个阶段：首先，各客户端向 PS 报告自身重要模型更新的索引，用于估计全局重要更新；随后，各客户端上传这些全局重要索引对应的更新，由 PS 完成聚合。核心思路是先使各客户端的压缩选择达成一致，降低聚合时对齐更新索引的负担，而不是让交换机处理各客户端独立选择的更新集合。重要性判定、投票规则、压缩预算以及具体聚合实现尚未验证。 作者报告，在公共数据集实验中，FediAC 的模型准确率与通信流量表现优于所比较的先进基线，并称其内存与通信开销更低。摘要未提供数据集名称、客户端配置、数据划分、基线名称或具体数值，因此尚不能量化收益，也不能判断投票阶段的额外通信在何种网络条件下得到抵消；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若跨被试或跨机构 EEG 联邦训练的瓶颈确实是更新传输与聚合资源，该共识压缩机制可能复用，但原论文的主要对象是分布式训练基础设施，并非 EEG 解码。迁移依赖各客户端使用可对齐的模型参数及兼容的 PS 环境；需改造重要更新选择与压缩预算，以适应被试、通道及数据分布差异。低信噪比和小样本可能使重要索引不稳定，共识选择也可能弱化少数客户端的有效更新。可在固定 EEG 数据划分、模型和训练轮数下，对比未压缩聚合、独立压缩与共识压缩，同时测量解码指标、含投票阶段的总通信量及聚合内存占用。相关 EEG 工作尚未检索确认。