FissionVAE：通过潜在空间与解码器分解实现联邦非独立同分布图像生成

基于摘要分析。本文研究多类图像构成的非独立同分布（non-IID）联邦图像生成问题，提出 FissionVAE，通过解耦潜在空间并为不同客户端组构建专属解码器分支，减少异质数据分布对共享生成模型的干扰。其主要研究对象是图像生成，而非 EEG 或 BCI。 核心机制：作者指出，客户端数据异质性会使潜在空间难以保持一致，也可能使具有不同纹理特征的本地生成器在聚合时相互混合。FissionVAE 据此将生成过程按客户端组分解，使各组学习适配自身分布的表示与解码过程。研究还引入层次化 VAE，展示异构解码器架构的使用，并探索潜在先验分布的设置策略。具体损失、客户端分组规则、参数共享与聚合方式尚未验证。 评估方面，作者构建了两套复合数据集：一套组合 MNIST 与 FashionMNIST；另一套包含卡通与人脸、野生动物、船舶及遥感 RGB 图像。作者报告，在这些复合数据集的联邦生成实验中，FissionVAE 相比基线联邦 VAE 提升了生成质量。摘要未给出具体指标和数值，客户端划分、基线配置、消融及统计信息尚未验证。 平台推测（待验证）：可检验的假设是，若联邦 EEG 生成任务中的客户端存在稳定且可识别的分布分组，组专属解码器可能减少跨组聚合干扰；这不等于已证实跨被试泛化有效。潜在空间分解思路或可复用，但需将图像解码器改造成时序信号解码器，并明确分组依据。低信噪比、通道配置差异及小样本可能使分组不稳定，或使专属分支过拟合。可在固定客户端划分、数据量和参数预算下，对比共享解码器、仅分组解码器及加入潜在空间解耦的版本，同时评估生成信号的时频统计与独立留出数据上的下游效用。相关 EEG 工作尚未检索确认。