面向特征偏移的联邦域无关原型学习：表征空间与参数空间对齐

基于摘要分析。本文研究多域客户端数据的特征偏移如何损害联邦学习全局模型，提出 Federated Domain-Independent Prototype Learning（FedDP），通过学习域无关原型并对齐表征空间与参数空间，缓解跨客户端的表征差异及优化方向分歧。原研究对象是通用多域联邦学习，而非 EEG 或 BCI。 机制上，FedDP 利用信息瓶颈抑制域特有信息，构建局部与全局域无关原型；以全局原型作为监督信号，引导本地同类表征向其靠近，实现跨域表征对齐。另一条路径是在客户端用全局模型生成表征，指导本地表征学习，以缓解特征偏移导致的优化方向分歧；摘要将其描述为参数空间对齐，不宜据此理解为直接约束模型权重。作者还基于互信息推导优化目标的理论下界，并将其转化为可计算损失，具体形式尚未验证。 作者报告，FedDP 可用于同构和异构模型，并在三个多域数据集上优于所比较的先进联邦学习方法。摘要未提供数据集名称、划分、指标、数值及具体对照方法，尚不能判断收益幅度或不同设置下的稳定性；实验协议、消融及统计信息尚未验证。复现还需核对原型聚合方式、监督需求、异构表征兼容条件及通信开销。 平台推测（待验证）：若将不同被试或采集设备视为客户端，域无关原型可能用于缓解 EEG 跨被试或跨设备特征偏移，但原领域有效不等于 BCI 有效。迁移依赖共享任务类别、可靠的类原型估计及可对齐的表征空间；可复用原型监督和全局表征引导，需改造 EEG 编码器与通道适配。低信噪比、小样本可能使原型不稳定，且去除域信息也可能误删与任务相关的个体差异。可在固定跨被试划分、统一通信预算下，对比联邦基线、仅原型对齐与完整 FedDP，检验平均及各被试 Accuracy 是否改善。已有 EEG 相关工作尚未检索确认。