欠参数化情形下的联邦表示学习

基于摘要分析。本文研究欠参数化情形下的联邦表示学习（FRL）：客户端共同训练共享表示并保留个性化预测头，但模型容量不足以表达所有真实模型的变化。作者提出 FLUTE，并针对线性模型分析其样本复杂度与收敛率，研究重点是容量受限时如何从不对齐的客户端局部表示中提取有效的共享子空间。 机制上，FLUTE 使用与数据无关的随机初始化及专门设计的目标函数，以提炼全局最优表示所张成的子空间。理论分析将低秩矩阵近似技术与联邦学习分析相结合。作者称，这是其所知首个在该欠参数化情形下具有可证明性能保证的 FRL 算法；具体目标函数、理论假设与界的形式尚未验证。摘要还说明方法被扩展至非线性表示，但扩展方式及相应理论保证未明确。 作者报告，FLUTE 在合成与真实任务实验中优于所比较的先进 FRL 方法；摘要未给出任务、数据集、客户端划分、指标或提升幅度，不能据此量化收益或比较不同评估协议。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若将客户端对应为 EEG 被试或采集站点，共享表示与个性化预测头可能对应跨被试共性及个体差异，而欠参数化分析可用于考察受限表示容量下的性能。可复用的是联邦共享表示与个性化头的组织方式；需改造 EEG 输入编码和通道对齐，并核对原理论的数据结构及监督假设。低信噪比、跨被试分布差异、通道不一致与小样本可能使局部表示难以对齐。一个可证伪的小实验是在固定 EEG 任务、客户端划分和训练预算下扫描共享表示维度，与现有 FRL 基线比较客户端留出测试表现，检验 FLUTE 是否在容量受限时仍有优势。已有 EEG 相关工作尚未检索确认。