个性化联邦学习让SPDNet脑电解码在三个运动想象数据集上超过标准联邦与集中式训练，并在两个数据集上胜过所有EEGNet配置

个性化联邦学习被适配到黎曼SPDNet：所有受试者共同学习构建潜在表示的主干，每个受试者保留自己的分类头。 此前联邦学习在脑电解码中通常训练单一共享模型，而受试者间差异使这种共享模型对每个个体拟合不佳；该工作把“共享主干＋个体分类头”的个性化结构引入SPDNet这一黎曼几何解码器。 摘要层面说明了对SPDNet的适配方式，并说明实验覆盖三个运动想象数据集，通道数、受试者数与类别数跨越不同情形。

个性化SPDNet的准确率高于标准联邦学习与集中式训练，同时收敛轮数更少、通信参数少于标准联邦学习。 把准确率提升与通信效率放在同一比较中报告，说明个性化不仅改善拟合，也改变了联邦训练的收敛与通信开销。 基于三个运动想象数据集的实验观察，摘要给出的是方向性结论，未列出具体准确率数值、轮数或参数量。

以欧氏EEGNet为基线时，个性化SPDNet在三个数据集中的两个上优于所有EEGNet配置，但集中式EEGNet优于集中式SPDNet。 给出了黎曼与欧氏解码器在联邦与集中式两种设置下的交叉比较，说明优势依赖于训练设置而非单一方法绝对更优。 摘要明确给出“两个数据集”这一计数与集中式对比的反向结果，但未报告各配置的具体数值与统计检验。

该结果面向运动想象脑电解码场景，适用于希望在不汇集各受试者原始记录的前提下训练轻量解码器的联邦设置，涉及黎曼SPDNet与欧氏EEGNet两类解码器，以及标准联邦学习与集中式训练两种对照。对希望采用“共享主干＋个体分类头”结构的读者，该工作提供了在通道数、受试者数与类别数各异的数据集上的比较参照。

摘要未报告各数据集的准确率数值、收敛轮数、通信参数量以及是否进行统计检验，因此“更高准确率”“更少轮数”“更少参数”的幅度无法从现有文本判断。三个数据集的具体名称、通道数、受试者数与类别数也未在摘要中列出。此外，集中式EEGNet优于集中式SPDNet这一反向结果提示优势与训练设置相关，其在其他范式或其他解码器上的可复现性仍是开放问题。