FedKDC：面向 EEG 情绪识别个性化联邦学习的共识驱动知识蒸馏

基于摘要分析。该研究面向 EEG 情绪识别中的个性化联邦学习，针对不同机构计算资源导致的模型异构，以及受试者可用性、伦理约束和文化差异等因素引起的数据异构，提出结合聚类知识蒸馏（CKD）的 FedKDC 框架，在不集中原始数据的协同训练设置下改善模型学习。 机制上，FedKDC 使用基于共识的分布式学习机制支持聚类；作者将类内蒸馏用于加快收敛，将类间蒸馏用于降低异构性的负面影响。此外，框架引入 DriftGuard 缓解客户端漂移，并通过 entropy reducer 降低聚合知识的熵。摘要尚未明确这里的“类”如何定义，不能直接等同于情绪标签类别；共识计算、知识交换形式、蒸馏目标以及各模块的具体实现尚未验证。 作者报告在 SEED、SEED-IV、SEED-FRA 和 SEED-GER 上验证了数据与模型同时异构的场景，相较其他联邦学习框架取得更好的情绪识别表现，最高平均 Accuracy 为 85.2%，并呈现更快、更稳定的收敛。摘要未说明该数值对应哪个数据集、任务、客户端配置及平均方式，也未提供被试内、跨被试或跨会话划分，因此不能将其解释为四个数据集的总体平均结果，也不能据此直接与其他协议下的结果比较。 复现时需核对客户端与被试的对应关系、数据异构构造方式、本地模型配置、蒸馏所需数据及其可用条件，并结合通信轮次、计算开销和收敛判据评估效率。实验协议、对照配置、消融及统计信息尚未验证；不集中原始数据也不等同于已验证形式化隐私保障。