报告题目：车载边缘计算中的联邦学习：增强协作式机器学习

报告时间：8月8日15：00

报告地点：122cc太阳集成中心校区王湘浩楼A117

报告人：毕远国 东北大学教授

报告人简介：

毕远国，东北大学长聘教授/博士生导师，计算机科学与工程学院党委副书记兼纪委书记，复杂网络系统安全保障技术教育部工程研究中心副主任，辽宁省高校面向先进装备业的嵌入式技术重点实验室主任。2010年7月作为东北大学引进人才就职于计算机科学与工程学院。研究领域包括车联网、移动边缘计算、网络空间安全、人工智能、联邦学习、故障诊断等。作为负责人主持国家重点研发计划项目课题/子课题、国家自然科学基金重点项目课题、国家自然科学基金面上项目、教育部基本科研业务费重点项目等国家级/省部级项目20余项。近年来在IEEE JSAC、IEEE TMC、IEEE TWC、IEEE TITS、IEEE IoT Journal、IEEE Communications Magazine、IEEE Wireless Communications、IEEE Network等国际顶级SCI期刊/国际会议发表学术论文80余篇、高被引论文1篇，主编中、英文学术专著3部，参与制定IEEE国际标准2项、国家标准2项，授权发明专利13项、软件著作权3项；担任《IEEE Communications Magazine》、《IEEE Wireless Communications》、《IEEE Network》等国际顶级SCI期刊编委/客座编委，以及国际会议IEEE/CIC ICCC 2023程序委员会主席、IEEE ICCSN 2023大会共同主席、IEEE MSN 2018出版主席等；获得全国百篇优秀博士学位论文提名奖、辽宁省科技进步二等奖1项（排名第一）、辽宁省自然科学学术成果奖3项（排名第一）。

报告内容简介：

作为一种分布式机器学习范式，联邦学习能够保护本地数据隐私的同时实现设备间的联合训练。将联邦学习应用于车载边缘计算为支持智能交通应用提供了前景。在本次演讲，将介绍一种自适应协作联邦学习方案。该方案采用动态本地训练轮次调整方法和协作边缘服务器训练方案，以提高模型可靠性并减少通信轮次。此外，在多个联邦学习系统的场景下，我们还将介绍一种边缘服务器再分配方案，以提高训练效率和网络资源利用率，同时减轻异构数据的影响。

主办单位：122cc太阳集成

122cc太阳集成软件学院

122cc太阳集成计算机科学技术研究所

符号计算与知识工程教育部重点实验室

仿真技术教育部重点实验室

网络技术及应用软件教育部工程研究中心

     122cc太阳集成国家级计算机实验教学示范中心