通过特征分布适配实现个性化联邦学习

基于摘要分析。本文研究客户端数据异质、且本地数据有限时的个性化联邦学习问题，提出 pFedFDA：将表示学习表述为生成式建模任务，再通过适配全局与本地特征分布构建个性化模型。主要研究对象是计算机视觉基准，并非 EEG 或 BCI。 机制上，论文沿用共享表示学习与个性化分类器训练的分解思路，但不完全依靠有限的本地数据学习分类器。其表示训练使用基于全局特征分布的分类器，随后将全局生成式分类器适配至各客户端的本地特征分布，以应对个性化分类器学习中的偏差—方差权衡。摘要未说明分布参数化方式、适配公式、损失函数及通信流程，这些实现细节尚未验证。 作者报告，在计算机视觉基准的数据稀缺设置下，该方法能够适应复杂分布偏移，并相对作者所比较的当前先进方法取得显著改进。摘要未提供具体数据集、客户端划分、基线名称、指标或数值，因此不能量化收益；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若将不同被试或会话作为联邦客户端，共享表示与本地特征分布适配可能对应 EEG 中跨被试、跨会话的分布差异。可复用的是全局生成式分类器向本地分布适配的思路；需改造 EEG 编码器，并核对其对本地标签、特征分布形式和样本规模的要求。低信噪比、通道配置差异及极少本地样本可能使分布估计不稳，且特征分布适配不必然解决类别条件关系变化。一个可检验的小实验是在固定 EEG 任务、统一通道和相同客户端划分下，比较共享模型、本地分类器与 pFedFDA，并逐步减少本地训练样本，观察个性化收益是否稳定；不得以测试样本估计训练期分布。已有 EEG 相关工作尚未检索确认。