跳到正文

算法、任务与模态

Federated Learning 最新动态

Federated Learning 研究索引；按可核对的标签归档，不以热度评价质量。

22 条精选近 30 天 6 条共收录 33 条

更新

精选归档 · 第 2 页

1月1日周日第 21–22 条
  1. OpenReview · EEG70

    FedEEG：通过跨被试结构匹配实现联邦 EEG 解码

    基于摘要分析。该研究针对多被试 EEG 集中训练可能带来的隐私泄露问题，提出联邦 EEG 解码框架 FedEEG，利用跨被试结构匹配连接各客户端的学习过程，在不直接集中原始 EEG 数据的设定下促进判别性特征学习。 核心机制是将每个被试作为一个客户端，在本地引入中心损失，并通过对同一类别的 EEG 特征取平均构建虚拟类别中心。随后，对齐不同客户端中相对应的类别中心，以约束各被试的局部训练、缓解客户端漂移。其方法重点不是仅聚合模型，而是显式利用类别级特征结构建立跨被试联系；这一机制依赖类别对应关系及类别相关特征，但具体标签可用性、中心计算与更新方式、损失形式及通信流程尚未验证。 作者报告，FedEEG 在基准 EEG 数据集上的解码表现优于所比较的先进联邦学习方法。摘要未提供数据集名称、被试数、任务、评价指标、数值结果或训练与测试划分，因此不能判断该结论对应被试内、跨被试还是跨会话评估，也不能量化收益。 复现时值得核对类别中心对齐在被试分布差异和类别不均衡下的效果，以及中心损失与跨客户端对齐各自的贡献。摘要将保护隐私列为框架目标，但未说明共享信息、威胁模型或隐私评估；不直接上传原始 EEG 数据并不等同于已验证不存在隐私泄露。实验协议、消融及统计信息尚未验证，代码与完整复现条件亦尚未验证。

    阅读价值：值得核对其通过跨被试类别中心对齐缓解联邦学习客户端漂移的机制，以及相应性能收益与隐私保护边界。

  2. OpenReview · Representation learning71

    通过聚类进行联邦表征学习

    基于摘要分析。本文研究无标签数据分布于多个客户端时的联邦自监督学习（FedSSL），重点针对数据高度异质、类别数量较多的情形，提出通过聚类优化表征的 FedRLC。其贡献是将聚类任务引入联邦表征学习，并结合本地训练与通信更新两个环节的策略。 机制上，FedRLC 在本地训练中使用 crossed KL divergence 损失及数据选择策略，在通信更新中动态上传本地簇中心。摘要未说明交叉比较的具体对象、样本选择准则、簇数确定方式、上传触发条件或服务端聚合方法，这些机制细节尚未验证。 作者报告，FedRLC 在常用基准上取得 state-of-the-art 结果，并覆盖高度异质设置及 CIFAR-100 等类别较多的数据集。摘要未提供具体指标、数值、客户端划分、异质性构造或对照基线，因此无法判断收益大小及不同协议下的可比性；实验协议、消融及统计信息尚未验证。复现还需核对完整训练配置、簇中心通信量及实现可得性。 平台推测（待验证）：若将 EEG 被试或采集站点视为联邦客户端，聚类驱动的无标签表征学习可能对应跨被试数据异质性问题，但原论文的基准结论不构成 EEG/BCI 有效性的证据。可考虑复用本地聚类与簇中心上传机制，同时改造 EEG 编码器、时序增强和通道对齐；其适用性依赖各客户端样本量及聚类结构是否与目标任务一致。低信噪比、被试差异、通道不一致和小数据可能使簇中心主要反映伪迹或采集差异。一个可检验的假设是在固定跨被试划分、相同编码器和训练预算下，比较 FedRLC 与不使用聚类机制的 FedSSL 基线，通过留出被试的任务指标及通信量评估收益，并核对簇与被试身份的关联。已有 EEG 相关工作尚未检索确认。

    阅读价值：FedRLC 将聚类驱动的本地表征优化与簇中心动态上传结合，值得核对其在高度异质数据下的收益来源及通信代价，但摘要不足以验证其基准优势或 EEG 适用性。