人工智能学院2024级硕士研究生袁立阳在联邦学习优化领域的研究成果，已被人工智能领域国际顶级期刊《IEEE Transactions on Pattern Analysis and Machine Intelligence》（TPAMI，IF=20.4）接收。TPAMI作为人工智能领域最具影响力的期刊之一，在全球学术界享有盛誉。
论文题目：SpecGradFilter: A Spectral Gradient Filtering Framework for Taming Federated Heterogeneity
论文一作：袁立阳(2024级硕士研究生)
指导教师：郭丹丹教授
收录期刊：IEEE Transactions on Pattern Analysis and Machine Intelligence
期刊类别：CCF-A，中科院一区
论文概述：
联邦学习是一种重要的分布式机器学习范式，能够在不直接共享原始数据的条件下，实现多个客户端之间的协同模型训练。然而，由于不同客户端的数据通常服从非独立同分布，本地模型在训练过程中容易产生客户端漂移，导致全局模型收敛缓慢、性能下降。现有方法主要通过梯度校正、正则化约束等策略缓解数据异质性带来的影响，但对模型优化信号内部的频谱结构及其作用机制仍缺乏充分研究。针对上述问题，本文从频域视角重新审视联邦学习中的客户端漂移现象，揭示了客户端漂移的频谱偏差特性：不同客户端之间的梯度差异主要集中于反映客户端特定数据分布偏移的低频分量，而高频分量则表现出相对较高的一致性。基于这一发现，本文提出一种统一的频谱梯度过滤框架SpecGradFilter，通过抑制客户端之间不一致的低频优化信号，缓解数据异质性引起的客户端漂移，从而提升联邦模型训练的稳定性与收敛性能。
