SPACE：用于联邦学习贡献评价的单轮参与方融合

基于摘要分析。本文研究联邦学习（FL）中参与方贡献评价的计算成本，提出 Single-round Participants Amalgamation for Contribution Evaluation（SPACE），面向激励机制、鲁棒性增强和客户端选择等用途，尝试降低依赖 Shapley value 的传统评价开销。 核心机制包括 Federated Knowledge Amalgamation 和 Prototype-based Model Evaluation。摘要称，两者用于消除评价开销对验证集规模的依赖，并支持在单个通信轮内评价参与方贡献；具体知识融合流程、原型构建方式、训练目标，以及“单轮”是否涉及额外准备成本尚未验证。原论文的主要对象是联邦学习参与方贡献评价，并非状态空间模型或 BCI 解码方法。 作者报告，SPACE 在运行时间和 Pearson’s Correlation Coefficient（PCC）方面优于所比较的先进方法，并通过客户端重新加权和客户端选择实验展示应用效果。摘要未提供数据集、客户端数量、数据划分、对照方法、具体数值或 PCC 的参照量，因而不能据此判断加速幅度及贡献估计的一致性。实验协议、消融及统计信息尚未验证。摘要提供了代码仓库，但实现完整性及复现条件仍需核对。 平台推测（待验证）：若 EEG 联邦学习中各客户端承担不同被试或机构的数据，SPACE 可能用于低成本估计客户端贡献；这一假设依赖各客户端任务与标签语义可对齐，以及原型能保留任务相关信息。可考察复用知识融合与原型评价模块，但需适配 EEG 输入、通道差异和跨被试分布。低信噪比、小样本或通道不一致可能使原型偏离真实贡献，也可能低估少数被试的价值。一个可检验的小实验是在固定客户端划分与独立验证集的 EEG 分类任务中，将 SPACE 排序与计算可承受的 Shapley 估计比较，同时记录评价耗时及重新加权后的任务指标。已有 EEG 相关工作尚未检索确认。