时间：2023年6月17日（周日） 上午10:30

地点：校本部东区12号楼B525

讲座：资源受限的异构设备上的联邦学习

演讲者：吴大鹏，香港城市大学教授

演讲者简介：

吴大鹏，IEEE Fellow，现任香港城市大学电脑科学系讲座教授，以及复杂性科学与复杂网络研究中心成员。他于2003年获得卡内基梅隆大学电子与计算机工程博士学位。他的研究兴趣涵盖人工智能、通信、图像处理、计算机视觉、信号处理和生物医学工程等领域。

吴教授曾获得2017年佛罗里达大学年度教授奖，2009年佛罗里达大学研究基金会教授奖，2009年美国空军科学研究中心杰出青年研究员奖，2008年美国海军研究署杰出青年研究员奖以及2007年美国国家科学基金会杰出青年教授奖。他还获得了2001年IEEE Transactions on Circuits and Systems for Video Technology（T-CSVT）的年度最佳论文奖，以及2011年IEEE GLOBECOM和2006年QShine的最佳论文奖。他曾担任IEEE Transactions on Network Science and Engineering主编，IEEE Transactions on Communications、IEEE Transactions on Signal and Information Processing over Networks、IEEE Signal Processing Magazine、IEEE T-CSVT、IEEE Transactions on Wireless Communications和IEEE Transactions on Vehicular Technology的副主编，同时他也是2006年至2008年Journal of Advances in Multimedia的名誉主编。吴教授还曾担任2012年IEEE INFOCOM的程序委员会（TPC）主席，并于2016年当选为IEEE Vehicular Technology Society杰出讲师（Distinguished Lecturer）。

讲座摘要：

联邦学习可以使多个分布式设备能够在不集中其设备上数据的情况下协同学习共享的预测模型。然而，目前的大多数算法都要求设备上的模型在具有相同的结构和大小的情况下进行本地训练，这阻碍了资源受限设备的参与。为了解决异构设备的问题，我们基于零样本知识迁移提出了一种异构设备上的新型联邦学习框架，称为FedZKT。具体而言，FedZKT允许设备根据其自身的本地资源独立确定其在设备上的模型。本次讲座将介绍FedZKT的设计、其在设备上知识不可知、设备上模型异构以及其他具有挑战性的联邦学习场景（如设备间的数据异构和滞后效应）中的有效性和鲁棒性。

邀请人：通信与信息工程学院 曾丹 教授

欢迎广大教师和学生参加！