FCNCP：基于联邦学习的耦合非负 CANDECOMP/PARAFAC 分解

基于摘要分析。该研究针对不同服务器上的 EEG 数据因隐私、竞争及管理规定而难以共享的问题，提出基于联邦学习的非负耦合张量分解框架 FCNCP，目标是在不共享原始数据的条件下开展联合建模，并保留高阶 EEG 数据中的潜在成分。 核心机制是利用联邦学习为分布在不同服务器上的数据建立耦合约束，将非负 CANDECOMP/PARAFAC 分解的高维表示能力与耦合张量分解的跨样本分析能力结合。摘要未说明各服务器共享或聚合哪些变量、耦合哪些因子，以及具体目标函数、优化过程和通信方式；因此，不能仅凭联邦学习设定认定其具有形式化隐私保证。 验证包括模拟数据和实际 ERP 数据两部分。作者报告，模拟实验得到稳定且一致的分解结果。实际实验使用对左右手施加本体感觉刺激所采集的五阶 ERP 张量；作者报告，对侧刺激诱发了左右半球激活区域中更对称的成分，并认为这一发现与相关认知神经科学解释一致，支持方法处理高阶 EEG 数据及保留部分关键潜在信息的能力。该结果属于分解与神经生理解释层面的证据，不等同于 BCI 解码性能提升。 复现时需核对五阶张量各维度的定义、非负表示的构建方式、服务器间数据分配、耦合因子与秩的选择，以及模拟实验中稳定性和一致性的评价标准。被试数、数据规模、对照方法、定量指标、实验协议、消融及统计信息尚未验证；通信成本、服务器间数据异质性和隐私保障也需结合全文进一步评估。摘要未提供可确认的代码或实现条件。