SFedCA：脉冲联邦学习中基于信用分配的主动客户端选择策略

基于摘要分析。该研究针对脉冲联邦学习中客户端数据统计异质性影响全局模型收敛与精度的问题，提出基于信用分配的主动客户端选择策略 SFedCA。其核心贡献是利用客户端本地训练前后的放电强度状态评估贡献，再据此选择参与聚合的客户端，而非随机选择。 原研究对象是结合联邦学习与脉冲神经网络（SNNs）的分布式训练，目标是在不交换本地数据的条件下支持资源受限设备协作。按作者解释，训练前后的放电强度状态可反映本地数据分布与全局模型之间的差异，信用分配据此引导聚合，使参与客户端更有助于全局样本分布平衡。摘要未给出放电强度的具体定义、信用计算公式、选择规则或额外计算与通信成本；不交换原始数据也不能单独视为形式化隐私保证。 作者报告，在多种 non-IID 场景下，SFedCA 优于所比较的现有脉冲联邦学习方法，并需要更少通信轮次。摘要未列出数据集、客户端规模、异质性构造、对照方法、指标数值及达到何种性能目标时的通信轮次，因而目前无法量化收益；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 联邦学习采用 SNN，且客户端对应不同被试或设备，该机制可能用于应对客户端数据异质性。其迁移假设是放电强度变化能够反映与任务有关的分布差异，而非主要反映噪声或采集条件。可复用部分是信用驱动的客户端选择；需改造 EEG 编码、跨客户端放电统计的可比性及通道适配。低信噪比、被试间幅值差异、通道不一致和小样本可能使信用估计失真，甚至降低少数分布客户端的参与机会。一个可检验的小实验是在固定 EEG 被试划分、SNN 和通信预算下，对比随机选择与 SFedCA，分别检查总体及逐被试任务指标、达到同一目标性能所需轮次和选择开销。相关 EEG 工作尚未检索确认，原领域结果不构成 BCI 有效性证据。