联邦局部紧凑表征通信：框架与应用

基于摘要分析。本文研究联邦学习中跨客户端知识传递的问题，提出以局部紧凑表征（local compact representation，LCR）作为通信载体的 LCRC 框架，替代以模型共享为基础的通信路径。主要研究对象是计算机视觉任务，目标是改善本地泛化、优化稳定性及非独立同分布条件下的负迁移，而非直接研究 EEG 或 BCI。 机制上，作者基于域适应理论分析跨域表征通信对本地域泛化误差界的作用，并提出联邦 triplet 损失 FedTriplet，通过其他客户端的表征调整本地潜在空间中的类别边界、抑制过拟合；同时采用修改后的 Wasserstein 距离衡量分布相似性，进行重加权聚合，以缓解非独立同分布因素引起的负迁移。摘要未给出 LCR 的具体构造、传输粒度、损失公式或聚合细节，理论结论的成立条件亦需核对全文。 作者报告，在 MNIST/EMNIST 实验及虹膜识别应用中，LCRC 的 Accuracy 优于所比较的主流模型共享式联邦学习方法，表征可视化也显示出更好的可区分性。摘要未提供具体数值、客户端划分或基线配置，实验协议、消融及统计信息尚未验证。作者还主张 LCR 对本地隐私不敏感，但摘要不足以确认其形式化隐私保证或攻击评估结果。 平台推测（待验证）：若跨客户端存在可对齐的类别语义及可比较的表征空间，该机制可能用于跨被试或跨机构 EEG 联邦分类，尝试缓解异质分布下的负迁移。可复用部分是表征通信、FedTriplet 与相似性重加权；需改造 EEG 编码器、通道对齐和表征构造。低信噪比、小样本及被试差异可能使类别表征或距离估计不可靠。可在固定跨被试客户端划分、相同编码器与标注预算下，对照模型共享方案，分别检验表征通信和重加权对分类表现及负迁移的影响，并记录通信量。相关 EEG 工作尚未检索确认，不能据此认定其在 BCI 中有效。