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
核心概要
该工作把个性化联邦学习（所有受试者共享一个主干、每人保留自己的分类头）适配到黎曼SPDNet，并与标准联邦学习和集中式训练对比，以欧氏EEGNet为基线，在三个通道数、受试者数和类别数各异的运动想象数据集上观察到：个性化SPDNet准确率高于标准联邦与集中式训练，收敛轮数更少、通信参数更少，并在三个数据集中的两个上超过所有EEGNet配置，但集中式EEGNet优于集中式SPDNet。
深度剖析
该工作把个性化联邦学习适配到黎曼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。 此前个性化联邦学习多用于欧氏模型，这里将其扩展到黎曼SPDNet，并同时保留EEGNet作为欧氏基线，使两种几何结构的解码器可在同一框架下比较。 摘要明确说明适配对象为SPDNet，并以EEGNet作为欧氏基线；实验覆盖三个运动想象数据集，通道数、受试者数和类别数各异。
个性化SPDNet的准确率高于标准联邦学习和集中式训练，同时收敛轮数更少、通信参数少于标准联邦学习。 相对标准联邦学习，个性化在共享主干之外保留个体分类头，从而缓解受试者间差异导致的单一共享模型拟合不佳问题；相对集中式训练，它在不汇集原始记录的前提下取得更高准确率。 结论来自三个运动想象数据集上的对比实验，摘要以“higher accuracy”“fewer rounds”“fewer parameters”描述观察结果。
个性化SPDNet在三个数据集中的两个上超过所有EEGNet配置，但集中式EEGNet优于集中式SPDNet。 这一对比同时给出黎曼与欧氏解码器在联邦与集中式设置下的相对位置，说明几何选择与训练范式之间存在交互，而非某一方全面占优。 摘要给出跨三个数据集的比较结果，并明确指出集中式EEGNet在集中式设置下优于集中式SPDNet这一例外。
启示与展望
该结果面向运动想象脑电解码的联邦学习场景：多个受试者的记录不汇集，每个受试者保留自己的分类头，主干共享。适用于关心受试者间差异、通信开销和隐私约束的研究者与系统设计者，尤其是使用黎曼SPDNet或欧氏EEGNet这类轻量解码器的团队。摘要所述结论限于三个运动想象数据集，未说明是否覆盖其他范式、其他模态或更大规模受试者群体。
摘要层面未给出各数据集的准确率数值、受试者数量、通道数、类别数的具体取值，也未说明收敛轮数与通信参数减少的幅度，因此无法判断效应大小。个性化SPDNet在第三个数据集上为何未超过所有EEGNet配置、集中式EEGNet为何优于集中式SPDNet，摘要未展开解释。由于本次仅读取摘要，图表、统计检验与消融实验的细节仍是待查的开放问题。