FissionVAE：通过潜在空间与解码器分解实现联邦非独立同分布图像生成

基于摘要分析。该研究面向不同客户端组持有不同类型图像的联邦生成问题，提出 FissionVAE，通过潜在空间解耦和面向客户端组的解码器分支，适配非独立同分布数据。研究对象是图像生成，而非 EEG 或 BCI。 作者指出，异质图像分布会增加维持一致潜在空间的难度，且聚合可能混合具有不同纹理特征的本地生成器。FissionVAE 据此拆分潜在表示与解码路径，使各组能够针对自身分布学习；同时纳入层次化 VAE，展示异构解码器架构的使用，并探索通过设置潜在先验分布促进解耦。具体损失、客户端分组依据、参数共享与聚合方式尚未验证。 评估使用两个组合数据集：一个由 MNIST 与 FashionMNIST 构成，另一个汇集卡通与人脸、野生动物、船舶及遥感 RGB 图像。作者报告，在这些组合数据集的联邦生成实验中，FissionVAE 相较基线联邦 VAE 改善了生成质量；摘要未提供具体指标、数值或数据划分，实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若跨中心 EEG 生成存在可识别的组间分布差异，组专属解码路径可能有助于减少不同信号分布在聚合时相互干扰。但该假设依赖稳定的客户端分组及足够的组内数据，不能将图像类别或纹理差异直接等同于 EEG 被试差异。可复用的是潜在空间解耦与组级解码思路；编码器、解码器及生成评估需适配 EEG 时序和通道结构。低信噪比、通道不一致及组内小数据可能使分组或专属分支过拟合。可在固定客户端划分和训练预算下，小规模比较共享解码器与组专属解码器的生成保真度及下游效用，以检验分解机制是否有效；相关 EEG 工作尚未检索确认。