2025年10月28日，信息与智能工程学院网络与信息安全团队在4B204会议室举行了题为《面向异构数据的安全融合：联邦学习驱动的动态协同模态融合方法》的专题报告会。本场报告由教师江荣旺主讲，围绕其最新研究成果“DC-FedFusion”框架，系统介绍了在异构多模态数据融合领域的理论创新与实践突破，受到在场师生热烈反响。
随着人工智能、物联网等技术的快速发展，文本、图像、音频、视频等多模态数据日益成为智能系统的重要输入。然而，这些数据往往分布在不同设备或机构中，呈现出“异构、非独立同分布、动态变化”等复杂特性，给传统融合方法带来了严峻挑战。江荣旺老师指出，传统中心化融合方法不仅存在数据泄露风险，还难以应对节点动态变化、模态缺失、数据偏斜等现实问题。
为破解上述难题，团队创新性地提出了DC-FedFusion框架，该框架融合联邦学习、张量分解与动态协同机制，实现了“数据不出域、模态可互补、参与可激励、系统可扩展”的目标。具体而言，框架采用Tucker张量分解与模态投影技术，将异构数据统一映射至共享语义空间；通过联邦学习机制保障原始数据本地存储，仅上传加密张量，满足《数据安全法》与《个人信息保护法》要求；引入节点声誉机制与纳什议价模型，动态调整节点参与度与激励分配，提升系统公平性与鲁棒性。
江老师还分享了研究过程中在仿真实验中遇到的一系列挑战，如节点频繁加入/退出、网络带宽理想化、时钟同步假象、非IID数据过度理想等问题，并提出了针对性解决方案。他强调：“仿真不等于真机，必须引入真实网络、时钟与数据分布，才能让研究成果具备落地价值。”
在报告的最后，江荣旺老师展望了未来的研究方向，包括引入差分隐私增强安全性、探索医疗、金融等垂直领域的落地应用，以及支持CP、TT等更复杂张量分解方法，进一步提升框架的表达能力与适用性。
