科研工作

可信联邦学习架构

来源:     发布日期:2023-09-12    浏览次数:

报告时间:2023年9月13日(周三)19:00-22:30

报告地点:线上腾讯会议565-278-2672

报告题目:可信联邦学习架构

报告简介:作为分布式人工智能和隐私计算领域的新兴技术,联邦学习允许参与者不共享数据即可进行模型协同训练。然而,数据异构性、设备异构性和训练架构等因素使得现有联邦学习技术在模型精度、训练性能、聚合效率、通信开销等方面均面临严峻挑战。本报告将分享基于区块链的去中心化联邦学习架构以及基于边缘计算的半中心化异构联邦学习架构及相关技术,如基于边缘服务器的区域中心化和全局去中心化结构等。

报告人介绍:陈建国,中山大学软件工程学院副教授,硕士生导师,入选中山大学百人计划。主要从事分布式人工智能和联邦学习算法及应用研究。主持国家自然科学基金面上项目等国家级项目4项,广东省自然科学基金面上项目等省部级项目3项。目前在IEEE-TII、IEEE-TITS、IEEE-TPDS、IEEE-TKDE、IEEE/ACM-TCBB、ACM-TIST、ACM-TCPS等国际著名期刊和会议上发表学术论文50余篇。出版学术专著1部,高等教育计算机类国家规划教材3部;获得发明专利15项。担任国际学术期刊《International Journal of Embedded Systems》副主编、《Journal of Current Scientific Research》副主编、《Information Sciences》和《Neural Computing and Applications》客座编辑,以及多个国际学术会议的技术委员会成员。

上一篇
下一篇