报告题目：隐私保护的多源异构联邦学习
主讲人： 叶茫，武汉大学 教授
报告时间：2022年7月16日（星期六）10:00-11:30
报告地点：科研一106
报告摘要：
联邦学习在保证数据隐私及合法合规的基础上，实现多方共同建模，联合提升性能。然而现有联邦学习方法在面临模型结构不一致、多方样本噪声、训练样本少等问题时，性能急剧下降。本次报告主要分享异构联邦学习近期的一些进展: 1) 互相关蒸馏的异构联邦学习，通过通道互相关对齐实现异构联邦学习下的多方合作，同时利用跨域与本域蒸馏平衡多方知识(cvpr 2022)；2) 噪声鲁棒的异构联邦学习：通过动态重加权缓解各模型在本地更新时对噪声的过拟合，同时避免了合作学习时噪声参与者的过度学习(cvpr 2022)；3）小样本的异构联邦学习：通过公开数据弥补本地数据稀缺的模型交流问题, 采用对抗学习解决公开私有数据领域差异大, 实现少样本下模型异构的多方合作(acm mm 2022)。
报告人简介：
叶茫，武汉大学计算机学院教授、博士生导师。国家高层次青年人才（海外）、中国科协青年托举人才。主要研究方向计算机视觉、联邦学习等，发表国际期刊会议论文 60 余篇，其中第一/通讯作者发表 ccf-a 类论文20余篇，谷歌学术引用 3000 余次。主持湖北省重点研发计划、国家自然科学基金面上项目等10余项科研项目。获谷歌优秀奖学金、计算机视觉顶会 iccv2021 无人机特定行人检索赛道冠军、2021年斯坦福排行榜 “全球前2%顶尖科学家”等荣誉。
邀请人：计算机科学与技术系 卢杨助理教授