近日，2021级博士生万伟（导师胡胜山副研究员）的论文“联邦学习在高度数据异构场景下的泛化鲁棒性增强”被《中国科学: 信息科学》期刊录用。

联邦学习 (Federated Learning, FL ) 是一种以保护客户端数据隐私为中心的分布式处理网络，为解决隐私泄露问题提供了前景良好的解决方案。然而，FL的一个主要困境是高度非独立同分布 (non-Independent and Identically Distributed, non-IID ) 的数据会导致全局模型性能很差。尽管相关研究已经探讨了这个问题，但论文发现当面对non-IID数据、不稳定的客户端参与以及深度模型时，现有方案和标准基线FedAvg相比，只有微弱的优势或甚至更差，因此严重阻碍了FL 的隐私保护应用价值。为解决这个问题，论文提出了一种对non-IID数据鲁棒的优化方案——FedUp。该方案在保留FL隐私保护特点的前提下，进一步提升了全局模型的泛化鲁棒性。FedUp的核心思路是最小化全局经验损失函数的上限来保证模型具有低的泛化误差。大量仿真实验表明，在高度non-IID数据以及不稳定和大规模客户端的参与的情况下，与最先进的FedSMOO相比，FedUp最多可实现16%的精度提升。

《中国科学:信息科学》主要关注包括计算机科学与技术、控制科学与控制工程、通信与信息系统、电子科学与技术等领域基础与应用研究方面的原创性成果和技术，是中国计算机学会 (CCF)推荐的A类中文期刊，每年刊出12期。

（通讯员：万伟）