个性化联邦学习的理论方法与交叉应用研究

课题名称: 个性化联邦学习的理论方法与交叉应用研究
学科专业: 计算机科学
课题关键词: 个性化联邦学习异质数据模型个性化
辅导模式: 1对1
发表目标: SCI期刊1-2区 CCF-B/C
课题介绍: 联邦学习（Federated Learning, FL）作为分布式机器学习的重要范式，通过在数据本地训练、仅共享模型参数的方式，有效解决了数据隐私保护与数据孤岛问题，已成为人工智能领域的研究热点。然而，实际应用中客户端数据常呈现显著异质性（如非独立同分布、特征/标签偏移等），导致传统FL训练的全局模型在边缘设备上泛化性能下降，难以满足个性化任务需求，催生了个性化联邦学习（Personalized Federated Learning, PFL）的研究。PFL旨在隐私保护框架下，通过平衡全局知识共享与本地数据特性，为各客户端学习适配其数据分布的个性化模型，核心挑战包括异质数据下的模型个性化机制设计、通信效率与个性化性能的权衡、跨场景知识迁移等。当前研究已从理论方法（如模型拆分、多任务学习、元学习融合）向交叉应用（如智能医疗、边缘计算、物联网）拓展，但在理论收敛性分析、动态场景适应性等方面仍需深入探索。该课题的研究对推动隐私计算与人工智能的深度融合、促进边缘智能的实用化具有重要学术价值与应用前景。

导师信息

QS100名校博士

研究领域：计算机视觉,时间序列,联邦学习,人工智能,AI4Science 学术成果：发表20篇优质期刊/会议一作论文，包括 IEEE TGRS、IEEE JBHI、IJCAI 等；长期担任多个顶级期刊/会议审稿人，包括 IEEE TNNLS、IEEE TKDE、CVPR、ICCV等。

面向具有相关学科背景与研究兴趣的学习者，具体要求以课题导师评估为准。