报告题目：面向AIoT系统的联邦学习算法优化与框架设计
报告专家：胡铭 博士
报告时间：2024年7月3日（周三）上午10:00
报告地址：临江楼A907-908
主持人：刘琦 教授
报告内容：
联邦学习（Federated Learning）作为一种保护隐私的分布式机器学习范式能够有效缓解数据孤岛问题，实现海量AIoT设备的协同训练。然而由于不同AIoT设备数据分布和硬件资源的异质性导致了联邦学习训练性能和效率的低下。报告从联邦学习算法优化和框架设计两个维度介绍了我们组近两年对AIoT系统的联邦学习中的数据异质、资源受限和掉队者问题的研究工作，包括针对数据异质问题的 1）基于模型变异的联邦学习算法（AAAI 2024 Oral），2）基于多模型互聚合的联邦学习算法（ICDE 2024），3）基于模型重组的联邦学习范式（KDD 2024），针对掉队者问题的 4）基于版本控制的异步联邦学习方法（RTSS 2023），以及针对资源受限问题的5）自适应异构联邦学习方法（DAC 2024）。
专家简介：
胡铭，现任新加坡管理大学研究科学家，博士毕业于华东师范大学，曾任新加坡南洋理工大学博士后研究员。目前在DAC、RTSS、EMSOFT、TC、TCAD、ICDE、SIGKDD、FSE、ISSTA等国际顶级会议和期刊发表学术论文共计20余篇，其中以第一作者身份发表CCF-A类学术论文10篇。研究方向包括信息物理融合系统、联邦学习、软件工程和可信人工智能。
欢迎广大师生踊跃参加！
软件学院