Mediate：混合域模型无关联邦学习

基于摘要分析。Mediate 研究混合域、异构模型与非独立同分布标签同时存在时的联邦学习问题，提出特征空间、模型架构和标签分布均异质的“高层次异质性”场景，并以参数解耦和无数据知识蒸馏应对这些约束。原论文的主要研究对象是图像与表格数据上的分布式机器学习，而非 EEG 或 BCI。 核心机制是结合参数解耦与无数据知识蒸馏，使参与方在模型和数据条件不同的情况下进行协作训练。作者指出，既有方法常需共享加密特征、模型架构或标签分布统计，并主张其方法无需暴露客户端私有信息。摘要未说明参数如何解耦、蒸馏信号如何构建，以及参与方具体交换哪些信息；隐私主张的威胁模型、形式化保障和通信内容尚未验证，不能据此认定具备严格隐私保证。 作者报告，在使用图像与表格数据的“高层次异质性”场景中，Mediate 优于所比较的 SOTA 算法。摘要未提供具体数据集、指标、数值、客户端划分或基线名称，无法判断优势幅度及不同异质因素的独立贡献；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若不同 EEG 采集端采用不一致的输入特征、解码模型及类别分布，该问题设定可能对应跨设备或跨机构协作训练中的部分瓶颈。可考虑复用参数解耦与蒸馏思路，但需先核对其对共同标签语义、输入空间和数据规模的依赖，并改造 EEG 表征与蒸馏接口。低信噪比、被试差异、通道不一致及小样本可能使蒸馏知识难以对齐。一个可检验的小实验是在标签语义一致的 EEG 分类任务上，逐步加入通道、模型架构和类别比例差异，在固定数据划分下比较本地独立训练与 Mediate 的表现，同时核查通信内容。该建议并非已验证的 BCI 效果；已有 EEG 相关工作尚未检索确认。