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。

85 条精选近 30 天 11 条共收录 122 条

更新

精选归档 · 第 5 页

1月1日周日第 81–85 条
  1. OpenReview · State space models74

    SPACE：用于联邦学习贡献评价的单轮参与方融合

    基于摘要分析。本文研究联邦学习（FL）中参与方贡献评价的计算成本，提出 Single-round Participants Amalgamation for Contribution Evaluation（SPACE），面向激励机制、鲁棒性增强和客户端选择等用途，尝试降低依赖 Shapley value 的传统评价开销。 核心机制包括 Federated Knowledge Amalgamation 和 Prototype-based Model Evaluation。摘要称，两者用于消除评价开销对验证集规模的依赖，并支持在单个通信轮内评价参与方贡献；具体知识融合流程、原型构建方式、训练目标，以及“单轮”是否涉及额外准备成本尚未验证。原论文的主要对象是联邦学习参与方贡献评价，并非状态空间模型或 BCI 解码方法。 作者报告，SPACE 在运行时间和 Pearson’s Correlation Coefficient（PCC）方面优于所比较的先进方法，并通过客户端重新加权和客户端选择实验展示应用效果。摘要未提供数据集、客户端数量、数据划分、对照方法、具体数值或 PCC 的参照量，因而不能据此判断加速幅度及贡献估计的一致性。实验协议、消融及统计信息尚未验证。摘要提供了代码仓库，但实现完整性及复现条件仍需核对。 平台推测（待验证）：若 EEG 联邦学习中各客户端承担不同被试或机构的数据，SPACE 可能用于低成本估计客户端贡献；这一假设依赖各客户端任务与标签语义可对齐，以及原型能保留任务相关信息。可考察复用知识融合与原型评价模块，但需适配 EEG 输入、通道差异和跨被试分布。低信噪比、小样本或通道不一致可能使原型偏离真实贡献，也可能低估少数被试的价值。一个可检验的小实验是在固定客户端划分与独立验证集的 EEG 分类任务中，将 SPACE 排序与计算可承受的 Shapley 估计比较，同时记录评价耗时及重新加权后的任务指标。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得核对 SPACE 如何以知识融合和原型评估降低联邦学习贡献评价成本，尤其是单通信轮评价的适用条件及 PCC 的参照定义；其 EEG 联邦学习价值尚未验证。

  2. OpenReview · State space models74

    在表征空间中消除联邦学习的域偏差

    基于摘要分析。本文研究统计异质性下的联邦学习（FL）：客户端数据域的偏差可能使局部训练产生表征偏差，并导致通用表征退化。作者提出通用框架 Domain Bias Eliminator（DBE），旨在通过减少服务器与客户端在表征空间中的域差异，改善泛化与个性化能力。 机制方面，作者的理论分析认为，DBE 减少表征空间中的域差异可促进服务器与客户端之间的双向知识迁移。摘要未说明域差异的度量、具体损失形式、局部训练与服务器聚合流程，因此尚不能判断 DBE 如何嵌入不同 FL 方法，也不能将其归为某种已明确的对齐算法。 结果方面，作者报告在四个数据集上的实验中，DBE 能改善现有 FL 方法的泛化与个性化能力，并称搭载 DBE 的 FL 方法明显优于十种先进的个性化 FL 方法。摘要未提供数据集名称、客户端划分、异质性构造、指标及数值，故无法量化改善幅度或直接比较不同协议。实验协议、消融及统计信息尚未验证。作者提供了公开代码地址，但代码内容与复现条件尚未核验。 平台推测（待验证）：假设将客户端对应为不同 EEG 被试或采集中心，DBE 的表征域差异处理可能对应跨被试或跨中心分布偏移这一瓶颈。可考虑复用其服务器—客户端表征协调机制，但需适配 EEG 编码器、通道差异及任务标签结构；摘要未交代原方法依赖的监督形式和数据规模。低信噪比、小样本与被试特异性可能使域对齐同时削弱有效任务信息。可检验的小实验是在固定跨被试客户端划分、相同编码器与通信预算下，对比基础 FL 方法及其 DBE 版本，并分别评估全局模型与个性化模型的表现。已有 EEG 相关工作尚未检索确认，原领域结果不构成 BCI 有效性证据。

    阅读价值：值得核对 DBE 如何在表征空间减少服务器与客户端的域差异，以及其对泛化与个性化的改善能否在一致的联邦学习协议下复现；摘要尚不足以确认具体实现和效果幅度。

  3. OpenReview · State space models72

    FLSwitch：利用学习状态感知切换实现联邦深度学习的安全快速模型聚合

    基于摘要分析。本文研究联邦学习（FL）中同态加密（HE）保护带来的聚合效率问题，提出 FLSwitch，根据学习阶段选择不同的安全保护与聚合协议，而非在整个训练过程中统一施加同类 HE 保护。主要研究对象是通用联邦深度学习的安全模型聚合，并非 EEG 解码或 BCI 算法。 核心机制：作者认为 FL 收敛过程通常包含两个阶段，可利用阶段差异降低安全计算开销。FLSwitch 包含三个组成部分：结合 Pailliar HE（摘要原文拼写）与余数编码系统的安全聚合协议、旨在以极低密文学习开销执行聚合的快速协议，以及在两种协议之间切换的学习状态感知决策模型。摘要未给出两阶段的具体定义、切换判据、决策模型训练方式或两种协议各自的安全边界，这些尚需核对全文。 结果与复现条件：作者报告其安全聚合协议优于现有先进 HE 方案，并认为阶段感知策略与 HE 技术优化相互独立，因而可结合已有优化进一步提升效率。但摘要未提供数据集、参与方规模、模型、对照配置或定量指标，无法判断收益主要来自计算、通信还是其他环节；实验协议、消融及统计信息尚未验证。复现需确认威胁模型、加密与编码参数、聚合精度，以及切换对收敛和安全保证的影响。 平台推测（待验证）：若跨机构 EEG 联邦训练同样呈现可稳定识别的学习阶段，可考虑复用其协议切换框架；需适配 EEG 任务模型及客户端数据异质性，且不能将其视为已验证的隐私或解码性能提升。低信噪比、跨被试及通道差异、小数据客户端可能使学习状态判断不稳定。可在固定数据划分、客户端配置和安全要求下，对比全程 HE 聚合与阶段切换，联合记录解码指标、聚合耗时、通信量和切换稳定性。相关 EEG 工作尚未检索确认。

    阅读价值：值得核对其按学习阶段切换安全聚合协议的机制，以及切换前后安全保证与计算开销的关系；摘要所述效率优势尚需全文中的威胁模型、基线和实验协议验证。

12月31日周六
  1. OpenReview · Representation learning75

    基于隐藏表示共享的图联邦学习

    基于摘要分析。本文研究多客户端系统中图学习依赖邻居数据、而联邦学习限制原始数据共享之间的冲突，提出 Graph Federated Learning（GFL）问题，并以共享邻居隐藏表示替代共享原始数据作为解决路径。研究对象是图上的多客户端学习，并非 EEG 或 BCI。 核心机制是利用隐藏表示在客户端之间传递邻居信息，以保留图关系带来的学习收益，同时避免直接交换原始数据。针对 GFL 中的有偏梯度问题，作者提出梯度估计方法，并给出非凸目标下的收敛分析。摘要未说明隐藏表示的具体构造、通信与聚合流程、梯度偏差来源及估计公式，相关实现条件尚未验证。作者以保护数据隐私为设计动机，但不共享原始数据并不自动等同于具有形式化隐私保证；其威胁模型与隐私分析需核对全文。 作者报告在图分类任务中进行了实验，实验与理论具有较好一致性。摘要未提供数据集、客户端划分、对照基线或具体指标，实验协议、消融及统计信息尚未验证，也无法据此判断相对现有方法的性能优势。 平台推测（待验证）：若 EEG 多中心或跨被试学习中能够建立有意义的客户端关系图，隐藏表示共享与梯度估计可能为不交换原始 EEG 的协作训练提供方法参考。该假设依赖可靠的图结构及可比较的表示空间，需要改造 EEG 编码与客户端邻接关系；低信噪比、被试差异、通道不一致及小数据可能使邻居表示产生负迁移。可在固定客户端划分和统一通道配置下，小规模比较仅本地训练、普通联邦训练与引入图关系及隐藏表示共享的训练，并通过打乱客户端邻接关系检验收益是否确实来自图结构。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得阅读之处在于将图邻居信息共享与联邦学习的数据约束统一建模，并针对有偏梯度提出估计方法及非凸收敛分析；隐藏表示共享的隐私保障边界仍需核对全文。

1月1日周六
  1. OpenReview · Representation learning76

    基于自监督的联邦图表示学习

    基于摘要分析。本文研究联邦图表示学习（FedGRL）中标签不足与下游任务异质并存的问题：跨机构客户端拥有大量无标签图数据、有限或没有标签，且各自下游类别标签域不同。作者提出基于模型插值的联邦学习框架，通过自监督目标协同优化共享全局模型，并借助客户端本地模型引入下游任务监督。 作者使用自监督图表示学习方法 BGRL 实例化该框架。其主要机制是协调共享表示学习与本地任务监督，而非直接要求客户端共享统一的下游类别空间。模型插值的具体形式、监督如何作用于全局模型，以及通信与优化流程尚未验证；联邦训练本身也不等于具有形式化隐私保证。 作者报告，在将 Twitch Gamer Network 改造为跨地域客户端场景的实验中，相对传统监督式联邦学习目标平均提升 6.1%，相对各客户端独立自监督训练平均提升 1.7%。作者还构建了兼具标签不足和下游标签域异质特征的 Amazon Co-purchase Networks 数据集，并报告相对上述两类基线分别平均提升 11.5% 和 1.9%。摘要未明确这些增益对应的指标、相对百分比或百分点、平均方式及数据划分，不能将其直接解释为 Accuracy 的百分点提升。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 数据已被表示为通道或脑区图，且不同中心拥有大量无标签记录及不同任务标签，该框架可能对应跨中心标签稀缺和任务异质问题。可复用的是全局自监督与本地监督协同的思路；图构建、输入编码和本地任务头需要适配 EEG。低信噪比、通道不一致、跨被试差异及本地小数据可能造成负迁移。一个可检验的小实验是在统一 EEG 图构建和数据划分下，比较该框架、本地独立自监督和监督式联邦学习，并控制各客户端标签预算，检验共享训练是否稳定优于本地训练。该推断不构成 EEG/BCI 有效性证据，已有相关工作尚未检索确认。

    阅读价值：值得核对其通过模型插值结合全局自监督与本地任务监督的机制，以及在标签不足、客户端标签域异质条件下相对本地自监督训练的收益；其 EEG/BCI 适用性尚未验证。