FedRandom：在联邦学习中采样一致且准确的贡献值

基于摘要分析。本文研究联邦学习（FL）中参与方贡献估计随聚合策略变化而不稳定的问题，提出 FedRandom，将贡献评估视为统计估计问题，通过获得比常规 FL 策略更多的样本，提高贡献估计的一致性与可靠性。主要研究对象是联邦参与方的贡献评估，而非神经信号解码。 研究背景是参与实体数量有限、各实体拥有较多数据的工业联邦场景：参与成本与补偿需求使贡献评估具有实际意义，贡献信息也可能帮助识别恶意参与方和搭便车者。摘要指出，更换聚合策略可能带来收敛收益，却也可能改变贡献估计；FedRandom 针对这种不稳定性提供统计估计层面的缓解机制。具体采样对象、采样分布、贡献计算公式以及额外训练或通信开销尚未验证。 作者报告，在 CIFAR-10、MNIST、CIFAR-100 和 FMNIST 的不同数据分布场景中，FedRandom 在一半受评估场景里将贡献估计与 ground truth 的总体距离降低超过三分之一，并在超过 90% 的案例中改善稳定性。摘要未提供 ground truth 的构建方式、距离与稳定性指标定义、各场景划分或具体对照策略，因此不能据此比较不同协议下的效果。实验协议、消融及统计信息尚未验证；这些结果也不等同于全局模型分类性能或隐私保证的提升。 平台推测（待验证）：若多中心 EEG 联邦学习需要分配参与收益或评估中心贡献，该统计估计思路可能具有参考价值。假设可复用贡献采样与估计流程，但需适配中心、被试及会话的参与单位，并定义独立测试集上的贡献目标；EEG 低信噪比、跨被试差异及小样本可能使性能波动主导贡献估计。一个可检验的小实验是在小规模多中心 EEG 联邦任务中固定解码模型、数据划分与聚合策略，在相同计算预算下比较常规方法和 FedRandom 的重复运行贡献估计波动及对参考贡献值的误差。已有 EEG 相关工作尚未检索确认，原领域结果不构成 BCI 有效性的证据。