报告主题：联邦学习的经济性、隐私性与安全性问题研究初探

报 告 人：孙鹏

报告时间：2023年6月4日  上午10:00-11:30

报告地点：计算机大楼A518

报告摘要：

泛在的数据孤岛、日趋严格的数据监管法律法规以及公众不断增强的隐私保护意识使得当下人工智能发展面临较严重的数据困境。联邦学习是一种新兴的分布式机器学习架构，它能够在数据不出本地的条件下，进行多方数据的联合训练，建立共享的机器学习模型。因此，联邦学习成为了打通人工智能应用最后一公里、推动人工智能落地的关键技术，并在智慧医疗、智慧金融等多个领域落地应用。然而，联邦学习仍然面临激励不足、系统异构、统计异构、数据隐私风险、模型安全威胁等诸多挑战。本报告主要介绍报告人围绕联邦学习的激励机制设计、隐私保护以及模型安全防护等问题做的一些初步研究和探索。具体而言，本报告旨在回答如何高效激励数据拥有方参与联邦学习、如何有效保护联邦学习参与方数据隐私、以及如何有效防御拜占庭攻击以保障模型安全可用等三个科学问题。 

报告人简介：

孙鹏，湖南大学信息科学与工程学院副教授。研究方向主要包括群智感知/计算、联邦学习等。截至目前，他已在国际权威期刊及一流学术会议上发表论文近40篇。其中，CCF A类论文共11篇，包括IEEE JSAC, IEEE TMC, IEEE TDSC, IEEE INFOCOM, CVPR, AAAI，中科院/JCR一区论文共9篇，包括IEEE Network, IEEE COMST等。他主持承担了国家自然科学基金青年基金（在研）、湖南省自然科学基金青年基金（在研）、中国博士后科学基金面上项目（结题）、深圳市人工智能与机器人研究院探索型焦点项目（结题）。他曾获得中国自动化学会科技进步奖特等奖。他还担任IEEE/ACM TON, IEEE JSAC, IEEE TMC, IEEE TKDE, IEEE TDSC等多个学术期刊审稿专家，和AAAI 2023, IEEE GLOBECOM等学术会议技术程序委员。