基于函数空间正则化的去中心化联邦学习

基于摘要分析。本文研究去中心化联邦学习中的客户端一致性问题，提出 FedFun：不直接要求客户端参数接近，而是在假设的 Hilbert 空间中加入函数空间一致性正则项，使相邻客户端的模型趋于相似，并支持参数化与非参数化学习器。 方法采用近端梯度更新。作者报告，该函数空间视角可在一定假设下提供收敛保证，覆盖客户端目标在通常意义下非凸、客户端采用不同模型架构的情形。摘要还说明方法兼容神经网络和决策树，并在若干样例数据集上进行了实证评估；但未提供数据集名称、对照方法、指标或结果数值，因此尚不能判断其相对参数空间一致性方法的实际优势。函数空间距离如何计算、是否需要共享输入或参考样本、通信内容与开销、收敛假设及异构架构实验协议均尚未验证，消融及统计信息也尚未验证。 平台推测（待验证）：若将不同被试或采集站点视为客户端，函数空间一致性可能为 EEG 跨被试协作中的异构模型提供一种候选机制，但原领域有效不等于 BCI 有效。可复用的是邻接客户端间的一致性正则化思想；需改造 EEG 输入表示、通道对齐以及函数输出的比较方式。低信噪比、被试间标签条件分布差异及小样本可能使一致性约束传播偏差。一个可检验的小实验是在固定跨被试划分、邻接拓扑与通信预算下，对比无一致性约束、参数空间约束与 FedFun，核对分类指标及各被试收益是否一致；实施前须确认其函数距离所需的数据条件。相关 EEG 工作尚未检索确认。