HarmoFGL：通过协调 GNN 潜在因子实现联邦图学习

基于摘要分析。HarmoFGL 研究联邦图学习中由特征偏差、结构偏差引起的客户端图异质性，以及如何通过个性化聚合改善协同训练。其核心贡献是利用 GNN 潜在因子构建跨客户端的共生参数空间，将客户端级表征与个性化参数聚合相协调；原研究对象是分布式图数据，并非已明确的 EEG 或 BCI 任务。 针对特征偏差，作者提出 implicit feature crossing（IFC），将高阶特征依赖解耦为客户端通用交互与客户端特有交互。针对结构偏差，方法在 GNN 潜在因子张成的共生参数空间中提取客户端级表征，用以刻画客户端的内在属性。服务器依据客户端相关性开展个性化参数聚合，并对客户端级表征施加图拉普拉斯正则化。摘要未提供潜在因子的具体构造、相关性计算、损失公式或通信流程。 作者报告在五个公开图数据集和两个医学数据集上的实验支持方法有效性，但未给出数据集名称、任务、划分、对照基线及指标数值，因此无法判断提升幅度或适用边界。医学数据不等同于神经信号数据；实验协议、消融及统计信息尚未验证。摘要将隐私保护作为联邦学习目标，但具体隐私机制与保障强度仍需核对正文。 平台推测（待验证）：若 EEG 任务已采用图表示，并将被试或采集中心设为客户端，该方法对通用与特有交互的分解、相关性驱动聚合，可能对应跨被试或跨中心异质性问题。这一假设依赖可比较的图特征与客户端表征；需改造 EEG 图构建和任务输出模块，低信噪比、通道不一致及单客户端样本少均可能使相关性估计失稳。可在固定图构建和 Cross-subject 划分下，对比统一聚合与该个性化聚合，并分别移除 IFC 和图拉普拉斯正则化，检验收益是否稳定。相关 EEG 工作尚未检索确认。