研究人员开发了FedSPDnet，一个新颖的联邦学习框架，专为处理具有Stiefel约束参数的对称正定（SPD）矩阵的模型而设计。该框架引入了两种聚合策略，ProjAvg和RLAvg，它们保留了数据的几何结构，这与标准的欧几里得平均不同。与联邦EEGnet相比，FedSPDnet在EEG运动想象基准测试中在F1分数和鲁棒性方面表现更优，同时还降低了通信开销。 AI
影响 为几何数据的联邦学习引入了新颖的聚合策略，有望提高信号处理应用的性能。
排序理由 这是一篇详细介绍新联邦学习框架的研究论文。
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
完整方法见我们的编辑标准。
arXiv:2604.22494v1 Announce Type: new Abstract: We introduce two federated learning frameworks for the classical SPDnet model operating on symmetric positive definite (SPD) matrices with Stiefel-constrained parameters. Unlike standard Euclidean averaging, which violates orthogona…
We introduce two federated learning frameworks for the classical SPDnet model operating on symmetric positive definite (SPD) matrices with Stiefel-constrained parameters. Unlike standard Euclidean averaging, which violates orthogonality, our approach preserves geometric structure…