2024年10月20日上午,西北工业大学周欢教授在我院进行了线下分享和交流,分享主题为“云-边-端网络高效联邦学习方法研究”,本次讲座由我院吴桐老师主持。
周欢,西北工业大学计算机学院教授,博士生导师,国家优青,陕西省三秦英才引进计划领军项目,湖北省杰出青年基金获得者,IEEE Senior Member,CCF高级会员,CCF物联网专委会执行委员,CCF互联网专委会执行委员,2022-2024年入选全球前2 %顶尖科学家榜单。主要研究方向为边缘智能、车联网、人工智能、联邦学习、群智计算等,发表高水平学术论文100余篇,其中包括IEEEJSAC、TMC、TPDS、TSC、TWC、TCC、ICDCS等国际著名期刊和重要国际会议,ESI热点论文 2篇,ESI高被引用论文10篇。现担任SCI期刊EURASIP Journal on Wireless Communications and Networking和PLOS ONE的编委;曾担任国际会议GameNets 2022和BDTA 2020的TPC Chair, IEEE ICET 2022/2023的Track Chair, SCI期刊Pervasive and Mobile Computing 的客座主编等学术职务。曾获得国际会议I-SPAN 2014/2018和IEEE iSCI的最佳论文奖,2016年中国自动化学会优秀博士学位论文奖,以及2023年中国自动化学会自然科学奖一等奖等。
在本次讲座中,周老师向我们介绍了联邦学习的概念:联邦学习是一种新兴的分布式机器学习范式,它能够在不收集用户端私人训练数据的情况下,协作训练共享的全局模型。尽管联邦学习在隐私保护方面具有显著优势,但它仍受到边缘端和用户端计算能力有限以及大量通信开销的制约。当前的研究大多聚焦于模型参数的粗粒度聚合,却忽视了用户和边缘节点参与联邦学习过程的动机问题。周教授通过深入讲解基于参数选择和预同步的联邦学习方法研究和研究激励驱动的多用户联邦学习机制两方面,展示了如何解决“计算能力有限”、“通信开销大”、“如何有效激励用户参与”等问题。
在周老师的报告结束后,老师和同学们积极向周老师提出自己的问题和想法,现场气氛热烈。例如,有老师提出“联邦学习如何确保在数据分散的情况下,依然能高效地进行模型训练?”就这一问题周老师同在场师生展开了热烈讨论,并给出了清晰的解答。