FedFSL-CFRD：基于协同特征表示解耦的个性化联邦少样本学习

基于摘要分析。该研究面向联邦少样本学习（FedFSL），目标是在分布式协作训练下，让客户端仅依靠少量参考样本便能泛化到未见类别。作者提出协同特征表示解耦（CFRD），通过客户端级与类别级的两阶段解耦，处理数据异质性和样本稀缺条件下的域偏差与特征耦合。 在第一阶段，各客户端接收全局聚合参数后，将原始特征分解为全局共性特征和带有个性化偏差表示的本地个性特征，以兼顾全局一致性与本地相关性。在第二阶段，方法在少样本度量空间中利用类别特定与类别无关重构，对类别无关信息进行编码，以分离判别性特征。摘要将两者分别对应于全局域偏差特征解耦和本地类别退化特征解耦；具体重构目标、损失形式与聚合方式尚未验证。 作者报告，在三个符合 FedFSL 范式的少样本基准数据集上，该方法在全局通用性与本地特异性方面优于所比较的先进方法。摘要未提供数据集名称、客户端划分、参考样本数量、评价指标、具体数值及基线，因此尚不能量化优势；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：该机制可能对应 EEG 联邦学习中跨被试分布差异与本地个性化需求之间的矛盾，但原研究对象并非 EEG 或 BCI，其依赖的客户端异质性、未见类别与少样本参考集结构需先与目标任务对齐。可考虑复用双阶段解耦思路，但需改造 EEG 编码器、通道对齐与类别任务构造；低信噪比、小数据及被试差异可能使所谓共性与个性特征难以稳定分离。一个可检验的假设是：在固定跨被试客户端划分及未见类别少样本协议下，分别移除两阶段解耦，检验其是否独立改善全局与本地性能。相关 EEG 工作尚未检索确认。