面向纵向联邦学习的大规模核方法

基于摘要分析。该研究面向多个数据持有方分别掌握同一批样本不同特征的纵向分割场景，提出 vertical federated kernel learning（VFKL），旨在兼顾隐私约束与非线性核学习。核心方法是用随机特征近似核函数，再通过专门设计的双随机梯度，以联邦方式更新预测函数。 机制与理论：随机特征为核函数提供近似表示，是该方法面向大规模学习的关键路径。作者报告，VFKL 可达到次线性收敛率，并在常见的半诚实假设下保证数据安全；摘要还声称更新过程不泄露数据与模型隐私。具体核函数、随机特征构造、双随机梯度的采样方式、通信流程及隐私保证的覆盖范围尚未验证，不能据此认定其满足差分隐私或抵御恶意参与方攻击。 实验证据：作者报告在多个数据集上进行了实验，结果支持方法的有效性与相对优势；摘要未给出数据集名称、任务、划分协议、对照方法或量化指标，因此尚不能判断优势幅度及适用规模。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 与其他模态的特征由不同机构持有，且能够合法、准确地对齐同一批样本，纵向联邦核学习可能用于联合非线性预测。可复用的部分是随机特征近似与联邦优化，需改造或核对的部分包括样本对齐、EEG 特征提取、通信与威胁模型。它并不直接解决跨被试数据分布差异；低信噪比、小样本及模态缺失也可能削弱效果。一个可证伪的小实验是在样本对齐的 EEG 多模态数据上按模态划分持有方，固定划分与核设置，对照集中式近似核方法和单方特征模型，评估预测性能与通信开销。已有 EEG 相关工作尚未检索确认，原领域结果不构成 BCI 有效性证据。