FedEEG：通过跨被试结构匹配实现联邦 EEG 解码

基于摘要分析。该研究针对多被试 EEG 集中训练可能带来的隐私泄露问题，提出联邦 EEG 解码框架 FedEEG，利用跨被试结构匹配连接各客户端的学习过程，在不直接集中原始 EEG 数据的设定下促进判别性特征学习。 核心机制是将每个被试作为一个客户端，在本地引入中心损失，并通过对同一类别的 EEG 特征取平均构建虚拟类别中心。随后，对齐不同客户端中相对应的类别中心，以约束各被试的局部训练、缓解客户端漂移。其方法重点不是仅聚合模型，而是显式利用类别级特征结构建立跨被试联系；这一机制依赖类别对应关系及类别相关特征，但具体标签可用性、中心计算与更新方式、损失形式及通信流程尚未验证。 作者报告，FedEEG 在基准 EEG 数据集上的解码表现优于所比较的先进联邦学习方法。摘要未提供数据集名称、被试数、任务、评价指标、数值结果或训练与测试划分，因此不能判断该结论对应被试内、跨被试还是跨会话评估，也不能量化收益。 复现时值得核对类别中心对齐在被试分布差异和类别不均衡下的效果，以及中心损失与跨客户端对齐各自的贡献。摘要将保护隐私列为框架目标，但未说明共享信息、威胁模型或隐私评估；不直接上传原始 EEG 数据并不等同于已验证不存在隐私泄露。实验协议、消融及统计信息尚未验证，代码与完整复现条件亦尚未验证。