FedSA：通过语义锚点实现基于原型的联邦学习统一表示学习

基于摘要分析。本文研究基于原型的联邦学习中，客户端数据分布与模型架构差异引起的表示不一致问题，提出 Federated Learning via Semantic Anchors（FedSA），以语义锚点指导各客户端学习统一表示，而非直接将本地模型生成的原型作为共享知识的唯一依据。 作者认为，统计异质性与模型异质性会导致表示不一致、分类器分化和原型对齐偏斜相互强化。FedSA 将原型生成与本地表示学习解耦：以语义锚点充当指导性原型，通过结合间隔增强对比学习的锚点正则化约束特征提取器，并以基于锚点的分类器校准促进客户端决策边界一致；随后利用一致且具有判别性的原型更新语义锚点，迭代推动统一表示学习。其目标包括类内紧凑、类间可分与跨客户端分类边界一致。 作者报告，在同时考虑统计异质性和模型异质性的多种分类任务中，FedSA 优于现有基于原型的联邦学习方法。摘要未提供数据集名称、客户端划分、具体指标或提升幅度，无法据此量化收益；锚点初始化与更新细节、损失形式、实验协议、消融及统计信息尚未验证。 平台推测（待验证）：该机制可能对应跨被试 EEG 联邦分类中的分布差异及客户端模型差异，但依赖客户端共享可对应的类别语义，并能估计具有代表性的类别原型。可复用部分是锚点约束与分类器校准，需改造 EEG 编码器及不同通道配置下的特征接口；低信噪比、被试差异和小样本可能使原型估计不稳定，强制对齐也可能抹去有用的个体差异。一个可检验的小实验是在固定跨被试划分、各被试作为客户端的同一 EEG 分类任务中，对照原型联邦基线与 FedSA，并分别移除锚点正则化和分类器校准，核对分类表现及客户端间差异。已有 EEG 相关工作尚未检索确认。