异构数据域下联邦原型学习的跨域表征方差抑制

基于摘要分析。本文研究异构数据域下的联邦原型学习：客户端不共享原始私有数据，通过特征原型协作训练，但各客户端采用相同数量的原型可能难以适配不同数据分布。作者提出 FedPLVM，结合方差感知的双层原型聚类与 α-sparsity prototype loss，以缓解跨域表征差异。 机制上，FedPLVM 先根据客户端私有数据的特征形成局部聚类原型，再对这些原型进行全局聚类；作者将该设计用于降低通信复杂度并保留本地数据隐私。α-sparsity prototype loss 则用于对齐代表不足的数据域，提高类内相似性并降低类间相似性。摘要未给出原型数量的确定规则、方差估计方式、损失的数学形式及训练流程，相关实现尚待全文核对；不共享原始数据也不能直接等同于具有形式化隐私保证。 作者报告，在 Digit-5、Office-10 和 DomainNet 的异构域评估中，FedPLVM 优于已有方法。摘要未提供具体指标、分数、客户端划分、对照基线或通信量，因此无法判断收益幅度及其适用条件；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：其可迁移机制是以多原型描述客户端内的特征多样性，再通过全局原型协调跨客户端表征。若将 EEG 被试或会话视为客户端，该思路可能对应跨被试、跨会话的分布差异，但前提是任务标签语义一致、各客户端有足够样本形成稳定原型。可复用的是局部与全局原型聚类及原型对齐思路；EEG 特征编码、通道适配和原型更新策略需改造。低信噪比、小样本或通道不一致可能使原型反映噪声而非类别结构。一个可检验的小实验是在固定 EEG 编码器与相同客户端划分下，对比固定数量原型与 FedPLVM，并分别消融双层聚类和原型损失，核对跨被试分类表现、客户端间差异及通信量。已有 EEG 相关工作尚未检索确认。