重新思考非独立同分布数据下联邦无监督学习中的表征

基于摘要分析。本文研究非独立同分布（non-IID）数据下的联邦无监督学习（FUSL），提出 FedU 2，旨在同时缓解局部与全局模型间的表征坍塌牵连，以及不同客户端表征空间不一致的问题。研究对象是分散存储、缺少标签的数据表征学习，并非 EEG 或 BCI。 作者将问题分为两个层面：一是局部模型发生表征坍塌后，可能进一步影响全局模型和其他局部模型；二是缺乏监督信号时，各客户端可能形成不一致的表征。FedU 2 对应包含客户端侧的 flexible uniform regularizer（FUR）与服务器侧的 efficient unified aggregator（EUA）。前者通过使样本表征均匀分散来避免坍塌，后者通过约束客户端模型更新的一致性来促进统一表征。摘要未给出正则项的数学形式、聚合约束及具体训练流程，因而尚不能判断其与既有均匀性约束或聚合方法的具体差异。 作者报告在 CIFAR10 和 CIFAR100 上开展了 cross-device 与 cross-silo 两类评估，但摘要没有提供定量结果。数据划分、non-IID 构造方式、客户端规模、对照基线、消融及统计信息尚未验证，不能据此判断性能提升幅度或不同协议下的稳定性。 平台推测（待验证）：若将不同被试或采集中心视为客户端，这种同时约束局部表征分散性与客户端更新一致性的机制，可能对应跨被试 EEG 无标签预训练中的表征退化与分布差异问题。可复用的是正则化与聚合思路，需改造 EEG 编码器、输入组织及无监督训练目标；低信噪比、小样本和通道差异可能使均匀分散保留噪声，过强的一致性约束也可能抹去有用的被试差异。一个可证伪的小实验是在固定 EEG 编码器、预训练数据和跨被试划分下，比较基础聚合、仅 FUR、仅 EUA 与两者联合，分别检查表征坍塌迹象和下游表现。相关 EEG 工作尚未检索确认。