抑制异构数据域下联邦原型学习中的跨域表征方差

基于摘要分析。本文研究异构数据域下的联邦原型学习，提出 FedPLVM，以方差感知的双层原型聚类和 α-sparsity prototype loss 缓解跨域特征表征差异。原论文的主要研究对象是通用跨域联邦学习，而非 EEG 或 BCI。 机制上，作者指出，现有 Federated Prototype Learning（FedPL）通常为各客户端构造相同数量的原型，难以适应不同客户端的数据分布。FedPLVM 先根据客户端私有数据的特征形成局部聚类原型，再进行全局原型聚类；作者将降低通信复杂度和保留本地数据隐私列为该设计的作用。α-sparsity prototype loss 则用于对齐代表不足域的样本，提高类内相似性并降低类间相似性。摘要未给出原型数量的确定规则、损失公式或隐私保障的具体定义，尚不能据此认定其具有形式化隐私保证。 作者报告，在 Digit-5、Office-10 和 DomainNet 上，方法表现优于现有方法。摘要未提供具体指标、数值、客户端划分或对照方法，因此尚不能判断增益大小、跨域表现是否均衡，以及通信成本的实际变化；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若将不同被试或采集条件视作客户端数据域，局部多原型与全局聚类可能用于处理 EEG 联邦学习中的域偏移。该假设依赖客户端任务与类别语义可对齐，以及本地数据足以估计稳定原型。可复用的是原型聚类与对齐思路，需改造 EEG 特征编码及通道差异处理；低信噪比、小样本和跨被试类别结构差异可能使原型不稳定或造成错误对齐。一个可证伪的小实验是在固定跨被试划分、编码器和训练预算下，对照等数量原型的 FedPL 与 FedPLVM，比较各客户端分类指标、代表不足域的表现及通信量。相关 EEG 工作尚未检索确认。