离线和在线 EMG 解码中的联邦学习：隐私与性能视角
机器学习
2026-02-26 v2 密码学与安全
人机交互
摘要
神经接口为直观的高带宽交互提供了一条路径，但神经数据的敏感性为大规模模型训练创造了显著隐私障碍。联邦学习 (FL) 作为一种具有前景的隐私保留解决方案，然而其在真实时间、在线神经接口中的效果尚未探索。本研究中，我们 1) 提出一种概念框架用于应用于神经接口应用的独特约束的 FL，2) 使用高维电肌电图 (EMG) 对 FL-based 神经解码进行系统评估，涵盖离线仿真和一个真实时间、在线用户研究。尽管离线结果表明 FL 能够同时提升性能和隐私，但我们的在线实验揭示了更复杂的格局。我们发现标准 FL 假设在面对人类解码器共同适应的真实时间、顺序性交互时难以实现。我们的结果表明，尽管 FL 保留了隐私优势，但引入了离线仿真未预测到的性能张力。这一发现确定了当前 FL 方法论中的一个关键缺口，并突出了针对顺序用户神经解码独特共同适应动态所需的专用算法的需求。
引用
@article{arxiv.2507.12652,
title = {Federated Learning in Offline and Online EMG Decoding: A Privacy and Performance Perspective},
author = {Kai Malcolm and César Uribe and Momona Yamagami},
journal= {arXiv preprint arXiv:2507.12652},
year = {2026}
}
备注
23 pages, 7 figures