SPACE：用于联邦学习贡献评估的单轮参与方融合

基于摘要分析。本文研究联邦学习（FL）中参与方贡献评估的计算成本问题，提出 Single-round Participants Amalgamation for Contribution Evaluation（SPACE），以联邦知识融合和基于原型的模型评估降低评估开销，支持在单个通信轮次内评估参与方。 原问题与机制：参与方贡献可用于激励机制、鲁棒性增强及客户端选择。既有方法主要依赖 Shapley value，其计算即使采用基于梯度的模型重建和评估截断仍较昂贵。SPACE 的两个核心组件为 Federated Knowledge Amalgamation 与 Prototype-based Model Evaluation；摘要称它们使评估开销不再依赖验证集规模，并实现单轮评估。知识如何融合、原型如何构建、是否依赖标签及额外数据、贡献分数如何计算，尚未验证。 结果与证据：作者报告，在文中实验条件下，SPACE 的运行时间和 Pearson’s Correlation Coefficient（PCC）优于所比较的现有方法，并在客户端重新加权和客户端选择应用中表现有效。摘要未给出数据集、客户端数量、划分协议、对照方法、具体数值及 PCC 的参照对象，因此不能判断收益幅度，也不能将 PCC 等同于下游任务 Accuracy。实验协议、消融及统计信息尚未验证。摘要提供了代码地址，但代码内容、运行依赖与可复现性尚未核验。 平台推测（待验证）：假设 EEG 联邦学习需要按客户端贡献进行选择或加权，SPACE 的低开销评估机制可能具有参考价值，但原领域结果不代表 BCI 有效性。可考察复用知识融合和原型评估框架，并针对 EEG 表征、类别不平衡及客户端数据分布改造原型构建与贡献参照。低信噪比、跨被试差异、通道不一致和小样本可能使原型难以代表真实贡献。一个可检验的小实验是在固定 EEG 数据划分、客户端预算和下游解码器的条件下，比较 SPACE 与 Shapley value 近似评估的耗时、贡献排序一致性及客户端选择后的解码表现；需核对评估数据与测试数据的隔离。相关 EEG 工作尚未检索确认。