FRAug：通过表征增强应对联邦学习中的非独立同分布特征

基于摘要分析。本文研究联邦学习中不同客户端标签分布相同、但特征分布存在差异的问题，提出 Federated Representation Augmentation（FRAug），通过生成并变换合成嵌入来增强客户端训练空间。其主要研究对象是通用联邦学习中的特征分布偏移，并非专门的 EEG 或 BCI 方法。 机制上，FRAug 优化一个共享嵌入生成器以捕获客户端共识，再由各客户端本地优化的 RTNet 将生成的合成嵌入转为客户端特定表征，用于训练增强。它关注的分布差异不同于标签空间偏移；核心思路是在共享表征信息与本地特征适配之间建立连接。摘要未披露生成器及 RTNet 的具体结构、训练目标、更新顺序和通信内容，这些实现条件尚未验证。 作者报告，在三个公共基准和一个真实世界医学数据集上的评估中，FRAug 优于包括 PartialFed、FedBN 在内的特征分布偏移联邦学习方法。摘要未提供数据集名称、具体指标、提升幅度及客户端划分，因此无法判断收益在何种异质性强度和训练协议下成立；实验协议、消融及统计信息尚未验证。联邦训练不集中原始数据，也不能据此认定合成嵌入或通信过程具有额外隐私保证。 平台推测（待验证）：若以被试或采集中心作为客户端，且标签语义一致、标签分布受控，EEG 的跨被试或跨设备特征偏移可能与本文问题对应。可尝试复用共享嵌入生成和本地 RTNet，但需改造 EEG 编码器、统一通道与表征接口，并核对合成嵌入是否保持任务相关信息。低信噪比、小样本以及通道差异可能使生成器学习伪共识，或使本地变换过拟合。一个可检验的小实验是在固定标签比例的跨被试联邦 EEG 协议下，对比基线、仅共享生成器和完整 FRAug，保持训练预算与测试划分一致，检查增强是否改善各被试而非仅总体表现。已有 EEG 相关工作尚未检索确认。