2022年1月7日学术报告——李骏

报告题目：Resource-Constrained Federated Learning: Fundamental Analysis and Optimizations

报告时间：2022年1月7日14:00

报告人：李骏 南京理工大学教授

地  点：计算机学科楼338

主办单位：bd手机版官网登录ios 、半岛app应用 、半岛电子官网

专家介绍：

李骏，南京理工大学无线传感网研究所所长、教授、博士生导师，第十三批国家特聘青年专家，于2015年入选江苏省特聘教授、2018年入选江苏省双创人才、2019年入选江苏省双创团队。致力于通信、计算以及控制融合的分布式人工智能架构与方法及其在工业互联网中的应用相关研究。面向信息论、博弈论、随机优化理论和人工智能的交叉融合，围绕人机物融合的雾计算和区块链架构、网络多智能体博弈与优化、边缘智能中的隐私和安全等领域开展研究，并取得了系统性创新研究成果。 

发表学术论文260余篇，其中IEEE系列期刊论文140余篇。以第一发明人发表专利获美国、中国、日本、韩国等多国授权，并提交国际标准化组织。荣获2013年度中国信息论年会最佳论文奖、2014年度中国信息论年会最佳报告奖、2017年度国际会议EAI 5GWN最佳论文奖、2018年度IEEE Transactions on Communications期刊模范审稿人、2020年度国际会议IEEE ICCT最佳报告奖、2021年度IEEE CPSCcom会议最佳论文奖，并受邀在2020年中国通信大会(ICCC)上做关于人工智能安全的特邀报告。现担任IEEE高级会员、IEEE智能制造标准委员会/技术咨询委员会委员、中国电子学会高级会员、中国计算机协会CCF高级会员、工业互联网标识战略推进专家委员会委员、南京市多媒体协会副理事长。同时担任IEEE TWC期刊副编辑、IEEE JSSP期刊客座编辑、多个国际知名通信会议技术委员会委员，以及国际会议IEEE IOV 2014的宣传主席、IEEE ICIAS 2020的TPC Co-Chair与IEEE GlobeCom2020 Workshop的TPC Chair。曾担任IEEE CL副编辑。2018年以来，主持包括科技部重点研发计划课题、国家自然科学基金重大仪器研制项目课题、国家自然科学基金面上项目、以及工信部创新发展工程等在内的多个项目。其中作为首席科学家，主持工信部工业互联网新发展工程项目，牵头十家单位，包括中科院计算所、浙江大学等知名高校研究院所，围绕芯片、5G网络、边缘计算平台、以及工业应用等领域开展创新研究和建设。

报告摘要：

With the rapid development of the Internet-of-Things (IoT), data from intelligent devices is exploding at unprecedented scales. Motivated by the advancing computational capacity of wireless end-user equipment (UE), as well as the increasing concerns about sharing private data, a new machine learning paradigm, namely federated learning (FL), has emerged with increasing attentions. FL allows a decoupling of data provision at UEs and model aggregation at a central server, and thus begins to show its potential advantages in many practical areas. In this talk, we focus on FL with resource-constrained settings, performing fundamental analysis on FL convergence, as well as framework design and optimizations. Specifically, the talk mainly consists of three parts. First, from security perspective, we discuss on FL with differential privacy and external model attacks. Then, we introduce a decentralized FL based on blockchain to combat one-point failure issue, followed by performance analysis and solution to model plagiarism problem. In addition, we consider two FL frameworks in wireless scenarios, and improve FL learning performance by jointly optimizing computing and communication resources. As a conclusion of this talk, we will present some possible challenges and future directions in FL.