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客户端数据异质性问题，提出跨客户端显著性潜在空间特征聚合方法 FedSLS，以缓解参数聚合偏差及其带来的收敛与准确率问题；并非直接面向 EEG 或 BCI 的研究。 方法使用 Guided BackPropagation（GBP）将深度模型转化为视觉保真编码器，并以显著性潜在特征进行聚合。相较于仅在本地优化中加入正则化或改进服务器参数聚合，作者强调对跨客户端特征的利用。作者认为，GBP 对标签不敏感，因此每个客户端只需提取一次显著性特征。显著性特征的具体定义、聚合公式、对齐方式及其与模型更新的关系，摘要未展开，尚未验证。 作者报告，在 CIFAR-10、强异质性参数 α=0.05 的评估条件下，FedSLS 的 Accuracy 为 63.43%，优于所比较的基线。摘要将差距表述为“6% 至 23%”，但未明确是相对提升还是百分点差，不能据此换算。α 对应的数据划分机制、客户端数量、参与比例、基线配置、通信成本、消融及统计信息尚未验证。联邦训练不共享原始数据，也不能直接证明显著性特征传输具备隐私保障。 平台推测（待验证）：若显著性表征能反映客户端间可共享的任务特征，该思路可能用于缓解 EEG 联邦学习的跨被试异质性。可考察复用特征层聚合思路，但需将视觉编码与 GBP 表征改造为适配 EEG 时间、通道结构的形式。低信噪比、伪迹、通道差异及小样本可能使一次性显著性特征不稳定；标签不敏感也不等于跨被试稳定。一个可检验的小实验是，在固定跨被试客户端划分、骨干模型与通信预算下，对比参数聚合与显著性特征聚合，并测量通道扰动前后的表征稳定性及分类 Accuracy。相关 EEG 工作尚未检索确认。