报告主题：数据驱动的联邦学习性能优化关键技术

报 告 人：吕丰

报告时间：2022年11月11日 13:30-15:30

报告网址：腾讯会议：570-177-176

报告摘要：

  近年来，联邦学习因其可以避免源数据直接交互成为分布式智能计算的一种主要范式。但是要实现一个高效可靠的联邦学习系统，依然存在诸多技术挑战亟需解决。首先，相比于云服务器，分布式终端设备往往在计算、通信、数据存储等资源上受限，而联邦训练高度依赖分布式节点参与且其过程需要消耗大量相关资源，如何高效激励并智能选取参与节点对于联邦学习性能至关重要；其次，在联邦学习框架中，终端设备需要与云端服务器频繁交互模型更新以迭代完成全局智能模型训练，随着深度学习模型愈发复杂，频繁交互的大数据量对于通信资源受限的分布式系统终将成为性能瓶颈；最后，分布式终端往往存在多维异构特性，包括资源异构和数据异构，当前统一的训练模型无法充分适配终端特点造成学习性能下降。本报告将主要介绍我们针对以上挑战提出的相关关键技术，主要包括：1）质量感知的联邦激励机制FAIR；2）多级联邦通信性能优化机制SHARE；3）多维异构联邦优化机制TailorFL。

报告人简介：

  吕丰，中南大学计算机学院特聘教授/博导，湖南省优秀青年基金获得者、湖南省湖湘青年英才。长期从事物联网、大数据、边缘计算等领域研究工作。在IEEE JSAC, IEEE TMC, IEEE TPDS, IEEE TITS等国际权威期刊，以及IEEE INFOCOM, IEEE ICDCS, ACM SenSys等国际重要会议发表学术论文80余篇(其中7篇论文入选ESI前1%高被引论文)，并出版英文专著2部；荣获上海市计算机学会优秀博士学位论文奖、IEEE通信学会旗舰会议IEEE ICC 2019最佳论文奖、SCI期刊IEEE/CAA JAS 诺伯特.维纳综述奖、ACM SIGAPP China新星奖、《物联网学报》年度优秀论文奖；目前正担任SCI期刊《IEEE Systems Journal》、《Peer-to-Peer Networking and Applications》编委和《China Communications》客座编委；同时担任IEEE INFOCOM、IEEE ICDCS、IEEE/ACM IWQoS、IEEE GLOBECOM等国际会议程序委员会成员。