在表征空间中消除联邦学习的域偏差

基于摘要分析。本文研究统计异质条件下联邦学习（FL）的表征偏差问题，提出通用框架 Domain Bias Eliminator（DBE），旨在缩小服务器与客户端在表征空间中的域差异，缓解本地训练期间通用表征的退化。 核心机制：作者认为，客户端数据域的偏差会导致表征偏差，并进一步削弱本地训练中的通用表征。作者报告，其理论分析表明 DBE 通过降低服务器与客户端的表征域差异，能够促进两者之间的双向知识迁移。摘要未提供域差异的具体定义、优化目标、模块结构或客户端与服务器的更新流程，因此尚不能判断 DBE 如何与现有 FL 方法组合，以及是否增加通信或计算成本。 实验与复现：作者报告，在四个数据集上，DBE 能改善现有 FL 方法的泛化与个性化能力，搭载 DBE 的 FL 方法优于十种先进的个性化 FL 方法。摘要未列出数据集名称、客户端划分、异质性构造、评价指标或具体增益，不能据此量化优势或比较不同协议。作者提供了公开代码地址，但代码内容、运行条件、实验协议、消融及统计信息尚未验证。 平台推测（待验证）：假设将被试或采集站点视为联邦客户端，DBE 的表征域差异控制可能对应跨被试 EEG 中分布不一致的问题。原方法依赖多客户端协同训练及可比较的表征空间，其监督要求和适用规模尚未验证。可考虑复用域差异控制思路，但需适配 EEG 编码器、通道配置及任务标签；低信噪比、小样本与被试差异可能使域对齐不稳定，或削弱有用的个体特征。一个可检验的小实验是在统一通道与标签的 EEG 任务中，以被试为客户端，在相同本地训练和通信预算下比较基础 FL 方法与加入 DBE 的版本，分别评估留出被试泛化与客户端个性化收益。已有 EEG 相关工作尚未检索确认。