林飞龙团队联邦学习研究成果获国际期刊发表 浙江师范大学

高校级学科建设教育数字化科研管理通报简报浙江

AI摘要

浙江师范大学可信智能研究院林飞龙教授团队在联邦学习领域取得两项研究成果,分别发表于IEEE TIFS和Neural Networks。一项提出MoFedAGR方法,通过自适应梯度正则化和全局动量解决客户端漂移问题,提升模型性能与泛化能力;另一项提出实用联邦遗忘(PFU)方法,仅需目标客户端与服务器一轮交互即可实现定向遗忘,降低通信与存储开销。两项成果针对联邦学习的可信与可用问题,为产业化应用提供技术支撑。

关键词: 联邦学习, 客户端漂移, 联邦遗忘, 可信智能, 模型泛化
【AI摘要】浙江师范大学可信智能研究院林飞龙教授团队在联邦学习领域取得两项研究成果,分别发表于IEEE TIFS和Neural Networks。一项提出MoFedAGR方法,通过自适应梯度正则化和全局动量解决客户端漂移问题,提升模型性能与泛化能力;另一项提出实用联邦遗忘(PFU)方法,仅需目标客户端与服务器一轮交互即可实现定向遗忘,降低通信与存储开销。两项成果针对联邦学习的可信与可用问题,为产业化应用提供技术支撑。
关键词:联邦学习 客户端漂移 联邦遗忘 可信智能 模型泛化

近日,可信智能研究院林飞龙教授团队两项研究成果发表于国际权威期刊。一项刊于国际信息安全领域顶级期刊 IEEE Transactions on Information Forensics and Security(CCF推荐A类期刊),另一项刊于人工智能、神经网络方向著名期刊 Neural Networks(CCF推荐B类期刊)。两项研究中,一项让模型“忘得掉”,一项让模型“练得准”,指向的正是联邦学习从实验室走向产业化的两个前提:可信与可用。

围绕“练得准”,团队在 Neural Networks 发表的论文“MoFedAGR: Mitigating client drift with adaptive gradient regularization and global momentum in federated learning”中,从优化与泛化双重视角应对客户端漂移。研究将漂移量化为聚合误差,提出自适应梯度正则化:依据本地模型与全局模型之间参数方差的大小,为每个参数施加不同强度的正则化,引导模型收敛到更平坦的极小值;同时引入服务器端全局动量作为全局梯度的近似,兼作梯度校正项。二者结合形成的MoFedAGR 帮助各客户端模型收敛到一致的平坦极小值,论文给出了理论收敛界,多个图像分类数据集上的实验显示其显著提升模型性能且泛化能力突出。

围绕“忘得掉”,团队在 IEEE TIFS 2026年第21卷的论文“Practical Federated Unlearning: A Target Client-Driven Approach to Model Forgetting”中提出“实用联邦遗忘”(PFU)方法,针对现有方法依赖全客户端参与、需保存历史模型更新、通信成本高这三个问题,提出仅需目标客户端与聚合服务器之间一轮交互的方案:服务器借助费舍尔信息矩阵定位对目标客户端数据最敏感的模型参数,目标客户端基于贝叶斯推断估计自身对这些参数的贡献,再通过定制化剪枝完成定向遗忘,且不会引发灾难性遗忘。理论分析与实验共同验证了该方法在遗忘彻底性、精度保持和通信、存储开销上的实用优势。

两项成果均由林飞龙教授担任通讯作者,合作者来自浙江大学、上海交通大学等单位。林飞龙教授为浙江师范大学“双龙学者”特聘教授、博士生导师,现任浙江师范大学可信智能研究院副院长,长期从事区块链、边缘计算与联邦学习及其在工业物联网、医疗大数据、车联网、新能源网络等场景中的应用研究,已发表学术论文90余篇、授权发明专利20余项。

下一步,团队将围绕联邦学习全生命周期的安全、可信与高效问题持续攻关,推动“可遗忘、可审计、可监管”的联邦智能技术落地产业一线。

来源:浙江师范大学 | 查看原文