FedSIS：基于中间表征采样的联邦分割学习，用于隐私保护的泛化人脸呈现攻击检测

基于摘要分析。该研究面向人脸呈现攻击检测（FacePAD）：在多个机构无法共享原始数据的条件下，如何同时处理训练客户端的非独立同分布数据，以及推理时未知域或未知攻击带来的泛化问题。作者提出 FedSIS，将联邦学习、分割学习与中间表征采样结合，用于隐私保护的域泛化。 机制上，FedSIS 通过联邦学习与分割学习联合训练混合 Vision Transformer（ViT）架构，以应对客户端数据分布的统计异质性；通过 intermediate representation sampling 进行特征增强，并利用共享 adapter 网络蒸馏 ViT 中间块中的判别信息。摘要未给出模型切分位置、表征采样分布、蒸馏损失及客户端聚合细节，这些实现条件尚未验证。 作者报告，在两个跨域 FacePAD 基准上，FedSIS 无需共享原始数据即可取得最先进的泛化性能。摘要未提供基准名称、域划分、评价指标、具体数值与对照方法，因此无法据此判断性能提升幅度；实验协议、消融及统计信息尚未验证。摘要将不共享原始数据作为隐私保护的依据，但这不等同于已验证中间表征或梯度不会泄露信息，仍需核对威胁模型及相关安全评估。材料提供了代码仓库，代码内容与复现完整性尚未核验。 平台推测（待验证）：该方法可能对应多机构 EEG 数据不能集中、客户端分布异质及跨被试或跨会话泛化的瓶颈。可探索复用协同训练与中间表征增强机制，但需改造 EEG 输入编码、模型切分及适配器，并核对其对监督标签和客户端数据规模的依赖。低信噪比、通道不一致与小样本可能使采样表征偏离有效神经活动，或使蒸馏保留被试特异噪声。一个可检验的小实验是在固定跨被试划分和客户端配置下，对比标准联邦训练、联邦分割训练及加入表征采样后的同一 EEG 骨干，检查未见被试上的泛化收益与通信代价。以上不是已证实的 EEG/BCI 效果，相关 EEG 工作尚未检索确认。