时空联邦学习：从数据孤岛到智能协同

人员

报告安排

1. 面向物联网应用的联邦学习与推理优化关键技术研究

   杜军朝 · 西安电子科技大学计算机科学与技术学院

   简介

   随着物联网应用、大模型、边缘智能技术的迅猛发展，联邦学习技术与推理优化技术成为研究的热点。本报告主要探讨面向物联网应用的联邦学习技术，如联邦大小模型协同、异构模型的联邦训练、联邦学习公平性。同时，讨论源受限下智能推理技术、模型压缩技术、语音／图像信息处理技术等。

2. 联邦学习的挑战与演进：迈向高效协同与安全可信

   王志波 · 浙江大学

   简介

   联邦学习通过数据不出域支持隐私保护下的多方协同训练。然而，在复杂应用场景中，设备异构与数据分布差异制约协同效率，模型更新的共享也引入隐私泄露的安全风险。随着大模型的发展，联邦学习进一步面临资源开销攀升、安全边界扩展等新挑战。如何统筹协同效率、隐私保护与模型安全，已成为联邦学习演进的核心问题。本报告将从联邦学习高效协同、风险防护与大模型联邦微调三个方面介绍我们的相关工作。

3. 面向跨域可信数据共享的异构联邦学习探索

   盖珂珂 · 北京理工大学

   简介

   在数据安全与隐私保护日益重要的背景下，联邦学习作为打破“数据孤岛”的关键技术受到广泛关注，但实际场景中仍面临数据分布差异、模型异构、通信效率与持续学习等多重挑战。本报告围绕跨域异构联邦学习中的安全问题，对相关技术路径进行了梳理与探讨，介绍了面向数据异构的域适应表征方法、面向持续学习的多域蒸馏机制、面向标签稀缺场景的对比聚类方法，面向纵向场景的隐私保护嵌入协同训练框架与原型增强的持续学习机制等关键技术。结合金融、医疗等典型领域的落地需求，探讨了相关技术在实际应用中的可行路径与发展前景。

4. 面向多源异构环境的联邦学习隐私保护

   苏洲 · 西安交通大学

   简介

   在多源异构环境中，联邦学习节点表现出数据分布异构、安全信任缺失以及服务需求多样等特性，使联邦学习面临更加严峻的隐私保护挑战。本报告聚焦于多源异构环境中联邦学习中的数据隐私保障，探讨包括跨阶段隐私保护、自适应抗投毒、零信任质量验证与个性化联邦学习等多源异构环境中的联邦学习隐私保护关键技术。

5. 多智能体群智协同新范式：联邦持续学习的理论、技术与应用

   杨新 · 西南财经大学

   简介

   多智能体群智协同强调分布式智能体之间的知识共享与持续协同演化，是人工智能由单体智能迈向协同智能的重要前沿方向。传统机器学习方法难以同时兼顾数据隐私保护、跨主体知识协同与持续知识积累，亟需联邦持续学习这一新型机器学习范式。本报告围绕多智能体群智协同新范式，阐释联邦学习与持续学习融合的内在机理，梳理联邦持续学习领域的前沿研究进展，重点剖析多智能体场景下面临的时空知识遗忘、异构环境协同与个性化知识融合等关键技术挑战，最后结合金融行业等典型场景，展望该范式在群体知识演化、可信协同智能及持续智能构建中的应用潜力与未来研究方向。