报告题目：
移动边缘网络中面向联邦学习滞后者问题减缓的最新研究进展
报告时间：
2023年12月28日 周四上午10：00
报告地点：
信息楼341会议室
报告摘要：
联邦学习（FL）被广泛认为是一个保护隐私的分布式模型训练标准，但在移动边缘网络实施时，它面临诸多挑战。特别是，边缘设备上异质的通信和计算资源可能导致其中一些设备在每轮FL中完成本地模型训练和上传过程的时间较长，从而成为拖慢学习进度的滞后者，明显降低学习效率和效果。在这次演讲中，将介绍我们在移动边缘网络中面向FL滞后者问题减缓的两项最新研究成果。具体而言，首先讨论一种新颖的随机编码联邦学习（SCFL）框架，激励边缘设备共享保护隐私的编码数据，以在边缘服务器上弥补缺失的滞后设备的模型更新。然后，介绍一种名为MimiC的新FL算法，其即使在任意设备退出的情况下也具有理论上的收敛保证。最后，介绍未来的潜在研究方向。
报告人简介：
毛宇毅博士于2013年在浙江大学获得信息与通信工程学士学位，并于2017年在香港科技大学获得电子与计算机工程博士学位。他目前是香港理工大学电气与电子工程系的研究助理教授。他的研究兴趣包括无线通信和网络、移动边缘计算、边缘人工智能、联邦学习和物联网。
毛博士的研究工作获得了全球认可。特别是，他荣获了2021年IEEE通信学会最佳综述论文奖和2019年IEEE通信学会与信息理论学会联合论文奖。他目前担任IEEE Communications Letters期刊的编辑和EURASIP Journal on Wireless Communications and Networking期刊的副编辑。
