FlatLand：基于定制 Lorentz 空间的个性化图联邦学习

基于摘要分析。FlatLand 面向异构图数据上的个性化联邦学习（PFL），研究统一欧氏表示空间难以适配不同客户端内在几何性质的问题。其核心贡献是为各客户端配置具有个性化曲率的 Lorentz 双曲空间，并通过参数解耦支持共享信息的服务器端聚合。 机制上，摘要将客户端曲率个性化与 Lorentz 模型的类时维度联系起来，用几何差异建模客户端异质性；同时利用 Lorentz 模型的性质，分离可共享与个性化的信息。作者称该策略可减少异质性对直接聚合的干扰，且不需要逐客户端估计相似度。具体曲率参数化、优化目标、训练流程及聚合公式尚未验证。 作者报告，在多种联邦图学习任务中，FlatLand 表现优于所比较方法，低维设置下尤为突出。摘要未提供数据集名称、客户端划分、异质性构造、对照方法及指标数值，因此不能量化其优势，也不能确定收益主要来自曲率个性化还是参数解耦。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 被构造成通道或脑区关系图，并以被试或采集站点作为客户端，个性化曲率可能为跨客户端图结构差异提供一种建模途径；这是迁移假设，并非已证实的 BCI 效果。可考虑复用曲率个性化与共享参数聚合机制，但需改造 EEG 图构建、输入编码及任务输出。该假设依赖图结构确有适合双曲表示的特征，且各客户端有足够训练数据；低信噪比、通道配置不一致和小样本可能使曲率估计不稳定。一个可证伪的小实验是在固定 EEG 图构建、编码器、客户端划分与训练预算下，比较欧氏空间、共享曲率 Lorentz 空间和个性化曲率 Lorentz 空间，并单独控制参数解耦因素，检验个性化曲率是否带来稳定收益。相关 EEG 工作尚未检索确认。