报告题目：联邦边缘学习在线激励与公平优化

报告人：鲁剑锋

报告时间：2024年12月6日 15:40-17:00

报告地点：28-406

摘要：联邦学习为边缘智能打破数据孤岛壁垒，联合构建群智感知模型提供了新颖的解决方案，领跑人工智能的最后一公里。然而异构联邦系统中多元群体难约束、任务在线匹配下社会公平难衡量、资源受限条件下系统高效难持续、复杂边缘环境中公平效益难平衡等问题严重阻碍了联邦边缘学习的公平协作增强与优化。本报告将介绍如何从寻求系统效益和社会公平最优平衡的视角出发，充分借鉴博弈论策略思维，采用最优化理论、李雅普诺夫优化、近似算法、机器学习等多学科交叉知识融会贯通，以博弈建模与均衡分析为特色，以新机制、新协议、新方法为创新，以原型系统开发与真实数据验证为保障，形成完整的研究体系联合解决联邦边缘学习在线激励与公平优化问题，突破制约联邦学习可持续性健康发展的关键技术瓶颈。

报告人简介：鲁剑锋，湖北省“楚天学者”特聘教授、浙江省杰出青年基金获得者、武汉科技大学计算机学院三级教授、博导、智能信息处理与实时工业系统湖北省重点实验室主任、CCF高级会员、CCF物联网/普适计算专委会执行委员、国家重点研发计划“物联网与智慧城市”重点专项答辩评审专家、湖北省/浙江省/上海市/广东省/江西省/海南省/黑龙江省科技计划项目评审专家等。主要从事边缘智能、联邦学习、群智计算等方向研究，借鉴博弈论策略思维，采用最优化理论、李雅普诺夫优化、近似算法、机器学习等多学科交叉知识融会贯通，联合解决联邦学习与群智计算中比例公平激励、服务交换、众包竞争困境等难题。近年来以第一作者/通讯作者在IEEE JSAC、IEEE TMC、IEEE TSC、IEEE TIFS、IJCAI、ACM TOIT、IEEE TII、IEEE TVT、IEEE TCSS、IEEE TCE、IEEE TETCI等有影响力的学术期刊及会议上发表论文50余篇，授权国家发明专利8件。先后主持国家自然科学基金4项、省部级课题7项。