报告标题: 通过稀疏化传输的模型更新增强联邦学习
报告摘要: 联邦学习通过互联网通信，使用中央服务器交换模型更新，促进了地理上分散的客户端之间对机器学习模型的协作训练。然而，在服务器与众多分散客户端之间传输这些更新消耗了大量带宽，并且容易受到恶意攻击。本报告展示了我们在提高通信效率和保护隐私方面的多项贡献，其重点在于稀疏化服务器与客户端之间的模型更新传输。通过仔细评估每个单独模型更新的学习价值、通信成本和隐私成本，我们有效地减少了低价值更新的暴露，从而最小化通信和隐私成本。在真实数据集上进行的大量实验表明，与最先进的联邦学习基线相比，我们的算法可以显著减少通信成本并增强隐私保护。
个人简介:
周义朋博士是麦考瑞大学科学与工程学部的高级讲师。在加入麦考瑞大学之前，他曾在南澳大学担任研究员，在深圳大学担任讲师。他分别在香港中文大学获得博士学位和硕士学位，在中国科学技术大学获得学士学位。他曾获得2023年麦考瑞大学副校长创新技术卓越研究奖和2023年IEEE通讯学会开放期刊最佳编辑奖。他是2018年澳大利亚研究理事会早期职业研究者发现奖（DECRA）的获得者。研究方向包括联邦学习、数据隐私保护、网络等。已在包括IEEE INFOCOM、ICML、IJCAI、ICNP、IWQoS、IEEE ToN、JSAC、TPDS、TMC、TMM等顶级期刊和会议上发表论文100余篇。
报告时间：2024年6月17日（星期一）下午14:00
报告地点：吉林大学正新楼三楼人工智能学院报告厅
