FedSLS：探索显著性潜在空间中的联邦聚合

基于摘要分析。本文研究图像领域联邦学习中的数据异质性问题，提出跨客户端的显著性潜在空间特征聚合方法 FedSLS，旨在缓解服务器端参数聚合受到异质数据影响而产生的收敛变慢与准确率下降。 核心机制是利用 Guided BackPropagation（GBP）将深度模型转化为视觉保真编码器，提取显著性潜在特征并用于聚合。相较于在本地优化中增加正则化或改进服务器端模型聚合，本文强调对跨客户端特征的利用。作者称，由于 GBP 对标签不敏感，每个客户端只需提取一次显著性特征；具体编码器构造、特征如何参与全局模型更新，以及通信与存储代价尚未验证。联邦训练不向服务器共享原始数据，并不自动意味着显著性特征不存在隐私泄露风险，仍需核对共享内容与威胁模型。 作者报告，在 CIFAR-10、强异质性参数 α=0.05 的环境中，FedSLS 的 Accuracy 为 63.43%，并称比其他基线高 6% 至 23%。摘要未明确该提升是相对百分比还是百分点，也未列出基线名称、客户端划分、参与比例及重复实验信息，因此不能进一步换算或进行跨协议比较。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：其潜在 EEG 对应问题是联邦训练中的跨被试特征分布差异，但图像显著性不等于神经生理有效特征。可复用的假设是以潜在特征辅助聚合；需改造输入表示及 GBP 特征提取方式，并验证不同通道布局下的可比性。低信噪比、伪迹及小样本可能使显著性特征突出非任务信息。可进行一个小规模可证伪实验：将被试视为客户端，在固定跨被试划分、相同骨干与通信预算下，对比参数聚合和显著性特征聚合，检验收益是否稳定存在。已有 EEG 相关工作尚未检索确认。