面向联邦学习的松弛对比学习

基于摘要分析。本文研究联邦学习中数据异质性引发的本地训练偏移，提出松弛对比学习，通过惩罚同一类别内过度相似的样本对，缓解直接采用监督对比学习（SCL）时的表征坍塌，促进客户端协同训练。 机制上，作者先分析客户端本地训练期间梯度更新的不一致性，并将其与特征表征分布联系起来，据此推导用于减轻本地偏移的 SCL 目标。作者指出，直接将 SCL 用于联邦学习会导致表征坍塌、收敛缓慢及性能增益受限；所提出的松弛对比损失则对类内过度相似的样本对施加散异惩罚，以保留表征差异。该机制依赖类别信息及样本对关系，但损失具体形式、样本对构造、本地与全局训练流程尚未验证。 作者报告，在所用标准基准上，该框架相较现有联邦学习方法取得显著性能提升，并改善特征可迁移性。摘要未给出基准名称、客户端划分、异质性设置、对照方法及具体指标，因此无法核对提升幅度和适用边界；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：其可能对应跨被试 EEG 联邦训练中的分布差异与本地更新偏移。假设类别定义在客户端间一致，可复用类内相似度约束思想，但需适配 EEG 编码器、类别采样和本地批次构造。低信噪比、通道差异及小样本可能使类内差异主要反映噪声，过度保留这些差异反而妨碍共享表征。一个可检验的小实验是：在固定跨被试划分、以被试作为客户端的同一 EEG 分类协议下，对照基础联邦训练、直接 SCL 与松弛对比损失，同时检查分类表现、类内表征分布和客户端更新差异。该迁移假设尚无本材料中的 EEG 证据，已有 EEG 相关工作尚未检索确认。