个性化联邦学习中的收敛性、隐私与公平性权衡

基于摘要分析。本文研究个性化联邦学习（PFL）中，差分隐私（DP）扰动如何影响个性化模型的收敛性与客户端间性能公平性，提出 Ditto 的差分隐私扩展 DP-Ditto，并分析隐私保证、模型收敛与性能分布公平性之间的权衡。 原方法 Ditto 通过联邦学习（FL）引导个性化学习（PL），平衡个性化与泛化：FL 不受个性化模型训练影响，而 PL 依赖 FL 的结果。本文关注客户端为保护隐私而扰动本地模型后，这种依赖关系对个性化训练的影响。作者分析 DP-Ditto 个性化模型的收敛上界，推导给定隐私预算下的最优全局聚合次数，并讨论联合优化收敛性与性能公平性的可行性。摘要未给出具体扰动机制、隐私记账方法、损失形式及公平性指标定义。 作者报告，实验支持其理论分析；相较于加入 DP 扰动的 FedAMP、pFedMe、APPLE 和 FedALA 等 PFL 方法，DP-Ditto 的公平性提升超过 32.71%，准确率提升为 9.66%。摘要未说明这些百分比的计算口径、对应基线及评估条件，因此不能解释为百分点变化，也不能据此判断不同配置下的优势。数据集、客户端划分、隐私预算、实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若将客户端对应为被试或采集机构，其隐私预算与聚合次数的权衡机制可能用于研究跨被试 EEG 个性化训练中的平均性能和被试间性能差异。可复用的是隐私约束下的个性化优化与聚合调度思路；需改造 EEG 编码器、客户端定义及公平性评价。低信噪比、通道差异和单被试小数据可能放大隐私扰动影响。一个可检验的小实验是在固定跨被试划分、编码器和隐私预算下，对比 DP-Ditto 与 DP 扰动 Ditto，改变聚合次数，同时记录平均 Accuracy 与被试间性能分布。原领域结果不构成 BCI 有效性证据，已有 EEG 相关工作尚未检索确认。