FedCRAC：通过分类器表征调整与校准提升长尾数据上的联邦分类性能

基于摘要分析。该研究面向移动设备联邦学习中的非独立同分布与长尾分类问题，提出 FedCRAC，通过客户端表征调整和聚合后全局分类器校准，改善尾类可区分性并缓解客户端分类器分歧。原研究对象是通用联邦分类，摘要未涉及 EEG 或 BCI 验证。 方法包含两个环节：客户端本地训练时，使用 Class Similarity-Aware Margin matrix 扩大类别表征之间的差异，提升尾类的分类判别能力；全局聚合后，利用生成的伪表征样本，通过 Self Distillation Classifier Calibration 进行自蒸馏校准。摘要将其目标描述为兼顾跨客户端表征对齐与可接受的附加资源消耗，但未提供间隔矩阵的计算方式、伪表征生成机制、损失形式或通信流程细节。 作者报告，在多种长尾程度和数据异质性设置下，FedCRAC 的准确率与资源消耗优于所比较的方法。摘要未给出数据集、客户端数量、划分协议、基线名称、具体数值，以及资源消耗的统计口径，因此无法判断改善幅度或比较不同设置的收益；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 联邦分类同时存在类别不平衡与跨被试分布差异，这两个模块可能分别对应少数类判别不足和客户端决策边界不一致。该迁移假设依赖可比较的类别标签与表征空间；需要适配 EEG 编码器并核对隐私与资源约束，不能将联邦训练本身视为已验证的隐私保障。低信噪比、通道差异及少数类样本稀缺可能使类别相似性估计和伪表征生成失真。可在固定跨被试划分、以被试为客户端的 EEG 分类设置中，对照相同编码器的常规联邦训练，分别加入两个模块，检验尾类召回率、Balanced Accuracy 与资源开销。相关 EEG 工作尚未检索确认。