基于函数空间正则化的去中心化联邦学习

基于摘要分析。本文研究去中心化联邦学习中不同客户端模型如何达成一致，提出 FedFun：在函数空间而非参数空间施加一致性正则，从而支持参数化与非参数化学习器，以及客户端采用不同模型架构的情况。 核心机制是在假设的 Hilbert 空间中，将客户端间的一致性表述为正则化惩罚，并通过近端梯度更新促进相邻模型的函数相似性。与直接约束模型参数的方法相比，其机制上的特点是将一致性建立在模型所表示的函数上；但函数距离如何计算、是否依赖共享输入或参考样本、正则项的具体形式与通信开销，尚需全文核对。作者报告在其所述较温和假设下给出收敛保证，覆盖通常意义上的非凸客户端目标及异构架构情形；具体假设与收敛结论范围尚未验证。 作者报告在表格数据集上开展概念验证，使用神经网络与决策树实现 FedFun，并包含不同客户端采用不同模型类型的实验。摘要未提供数据集名称、客户端划分、对照基线或性能数值，实验协议、消融及统计信息尚未验证，不能据此判断其相对现有方法的性能优势。 平台推测（待验证）：若函数空间距离能在兼容的 EEG 输入与任务输出上可靠估计，该机制可能用于跨被试或跨机构联邦学习中的模型架构异构问题。可复用部分是函数一致性正则与邻居更新框架，需改造部分是 EEG 输入表示、通道对齐及距离估计所需的数据条件。低信噪比、通道差异和小样本可能使函数距离不稳定；被试间任务分布差异也可能使强一致性约束损害个体表现。一个可检验的小实验是在固定 EEG 任务与被试划分下，将被试设为客户端并配置不同模型架构，比较启用与关闭函数正则的表现，同时核对距离估计所用数据与测试集隔离。相关 EEG 工作尚未检索确认。