FedCiR：面向联邦非独立同分布特征的客户端不变表征学习

基于摘要分析。本文研究联邦学习中由客户端输入分布差异造成的特征偏移问题，提出 FedCiR，以同时保留分类信息、减少客户端相关信息的表征学习改善全局模型训练。原论文的主要研究对象是通用联邦学习，并非 EEG 或 BCI。 作者首先建立联邦学习泛化误差界，并据此设计两个信息论目标：增大表征与标签之间的互信息，以保留分类所需知识；减小给定标签时客户端与表征之间的条件互信息，以促进客户端不变性。为处理真实全局表征分布不可得的问题，方法引入近似全局表征分布，并通过两个正则项约束相应互信息项。服务器使用一种无需原始数据的机制完成全局表征分布近似；其具体估计方法、通信内容及隐私保障条件尚未验证，不能仅凭“无数据”机制推定形式化隐私保证。 作者报告实验支持该方法学习客户端不变表征并缓解数据异质性，但摘要未提供数据集、客户端划分、对照基线或具体指标。实验协议、消融及统计信息尚未验证，亦无法据此判断不同类别分布和特征偏移条件下的收益。 平台推测（待验证）：若将不同被试视为联邦客户端，该方法可能对应 EEG 跨被试分布差异这一瓶颈。可复用的是标签信息保留与条件客户端不变性约束；需适配 EEG 编码器、通道组织及表征分布近似方式，其依赖的监督标签可得性也需核对。低信噪比、小样本和通道不一致可能使分布估计不稳定，过强的不变性约束还可能抹去有效的个体判别信息。一个可证伪的小实验是在统一通道与任务标签的 EEG 数据上，以被试为客户端，固定编码器和数据划分，对比基础联邦训练、完整 FedCiR 及分别移除两个正则项的版本，观察跨被试测试表现与标签判别信息是否同时改善。已有 EEG 相关工作尚未检索确认。