小莹和父亲梅开二度txt | 毛宇毅:移动边缘网络中面向联邦学习滞后者问题减缓的最新研究进展

发布者:李晓婉发布时间:2023-12-19浏览次数:10

报告题目:                                                                                              

移动边缘网络中面向联邦学习滞后者问题减缓的最新研究进展


报告时间:
2023
1228日 周四上午1000


报告地点:

信息楼341会议室


报告摘要:

联邦学习(FL)被广泛认为是一个保护隐私的分布式模型训练标准,但在移动边缘网络实施时,它面临诸多挑战。特别是,边缘设备上异质的通信和计算资源可能导致其中一些设备在每轮FL中完成本地模型训练和上传过程的时间较长,从而成为拖慢学习进度的滞后者,明显降低学习效率和效果。在这次演讲中,将介绍我们在移动边缘网络中面向FL滞后者问题减缓的两项最新研究成果。具体而言,首先讨论一种新颖的随机编码联邦学习(SCFL)框架,激励边缘设备共享保护隐私的编码数据,以在边缘服务器上弥补缺失的滞后设备的模型更新。然后,介绍一种名为MimiC的新FL算法,其即使在任意设备退出的情况下也具有理论上的收敛保证。最后,介绍未来的潜在研究方向。


报告人简介:



    毛宇毅博士于2013年在浙江大学获得信息与通信工程学士学位,并于2017年在香港科技大学获得电子与计算机工程博士学位。他目前是香港理工大学电气与电子工程系的研究助理教授。他的研究兴趣包括无线通信和网络、移动边缘计算、边缘人工智能、联邦学习和物联网。


    毛博士的研究工作获得了全球认可。特别是,他荣获了2021IEEE通信学会最佳综述论文奖和2019IEEE通信学会与信息理论学会联合论文奖。他目前担任IEEE Communications Letters期刊的编辑和EURASIP  Journal on Wireless Communications and Networking期刊的副编辑。