面向数据不平衡客户端联邦学习的跨 silo 特征空间对齐

基于摘要分析。该研究针对联邦学习中客户端数据不平衡导致局部特征空间划分不一致、进而损害全局模型泛化的问题，提出跨 silo 特征空间对齐方法 FedFSA。其主要研究对象是通用联邦学习，而非 EEG 或 BCI；核心贡献是联合校准客户端内部的表征学习与跨客户端的特征空间映射。 FedFSA 包含两个模块。客户端内部原型空间学习模块（ISPSL）使用预定义文本嵌入约束表征学习，以改善不平衡数据上的表征可区分性；随后通过方差迁移构建原型空间，用于校准少数类特征分布，并为跨 silo 特征空间对齐模块（CSFSA）提供信息。CSFSA 利用 ISPSL 得到的增强特征学习具有泛化能力的映射，将不同来源的特征对齐到共同空间。相较于摘要所述的知识蒸馏或聚合前模型校准思路，作者强调直接处理不平衡表征学习造成的模型聚合问题。具体损失形式、文本嵌入来源、方差迁移实现及模块训练顺序尚未验证。 作者报告，在三个数据集上的实验表明，FedFSA 改善了不平衡条件下不同特征空间的一致性，并取得优于现有方法的表现。摘要未提供数据集名称、不平衡构造方式、客户端划分、评价指标、具体数值及对照方法，因此无法判断收益幅度或适用边界；实验协议、消融及统计信息尚未验证。复现还需核对客户端间交换的信息、通信开销及文本嵌入的构建条件。 平台推测（待验证）：若 EEG 联邦分类任务具有共享标签空间，但不同客户端存在类别比例失衡，该方法可能对应少数类表征不足与客户端特征空间不一致的瓶颈。可考虑复用原型校准及共同空间映射，但需改造 EEG 编码器，并验证任务标签的文本嵌入是否具有有效语义。低信噪比、跨被试差异、通道配置不一致及少数类样本过少，均可能使方差估计或共同空间对齐失效。一个可证伪的小实验是在固定客户端划分和类别不平衡程度的 EEG 联邦任务中，比较同一编码器下的基础聚合、仅 ISPSL 与完整 FedFSA，观察 Balanced Accuracy 和各类别召回率是否改善。该设想不代表已证实的 EEG 效果，已有 EEG 相关工作尚未检索确认。