近日，我院李艺伟博士在隐私保护联邦学习领域取得研究进展，相关成果以“Federated Learning with Enhanced Privacy via Model Splitting and Random Client Participation”为题，发表于IEEE Transactions on Cognitive Communications and Networking。论文第一作者为李艺伟博士，合作者包括电子科技大学王帅教授、瑞典皇家理工学院田卓君博士、华中科技大学王秀华教授和华侨大学苏诗荐教授。该研究工作得到厦门市自然科学基金项目和厦门市科技计划重点项目等支持。
联邦学习是一种重要的分布式人工智能技术，能够在不直接共享原始数据的情况下实现多方协同模型训练，在智慧医疗、智能终端、物联网和无线边缘智能等场景中具有广泛应用前景。针对联邦学习训练过程中上传模型参数可能泄露用户隐私这一关键问题，李艺伟博士提出了一种模型拆分隐私放大联邦学习框架MS-PAFL。该框架将客户端模型划分为本地保留的私有子模型和参与全局聚合的公共子模型，并仅对公共子模型注入差分隐私噪声，从而减少噪声对整体模型性能的影响。相关成果面向人工智能模型训练中的数据安全与隐私保护需求，可为医疗模型训练、智能终端隐私计算和无线边缘智能等场景下的系统设计提供理论支撑。
IEEE Transactions on Cognitive Communications and Networking是IEEE旗下通信网络与智能计算交叉领域的重要国际学术期刊，影响因子7.0，为中国科学院一区TOP期刊，主要刊载智能网络、边缘智能与网络安全等方向的高水平研究成果。
原文链接：
https://ieeexplore.ieee.org/document/11522984
