2025年11月26日16:00，由信息与智能工程学院主办、程亮老师主持的“联邦学习关键技术前沿研究”专题报告会在4B204会议室举行。本次报告由学院教师江荣旺主讲，吸引了10多名师生到场聆听，现场学术氛围浓厚。
江老师围绕“隐私保护与安全、通信效率优化、异构系统容错、个性化模型构建”四大前沿方向，系统梳理了2023-2025年联邦学习的最新成果。他指出，差分隐私与同态加密正从“单点使用”走向“分层融合”，通过“客户端噪声注入+密文域聚合+自适应隐私预算”，在CIFAR-10上可将精度损失控制在3%以内，同时满足ε=1.0的强隐私需求。
通信效率方面，江老师对比了QSGD、Top-k稀疏化、FedPAQ等主流压缩算法，提出“Top-k+8-bit量化”混合策略，在8:1压缩比下仅损失1.2%准确率，通信量减少87%，为低带宽边缘场景提供了可行方案。针对异构设备，他介绍了异步更新协议FedAsync与“云-边-端”三级调度框架，在Jetson TX2集群上实现2.3倍收敛加速，可容忍35%客户端随机掉线。
个性化模型环节，江老师重点分享了元学习驱动的Per-FedAvg和原型对齐算法FedPAC：在FEMNIST任务中，Per-FedAvg比传统FedAvg提升4.5%准确率；在莎士比亚字符预测数据集上，FedPAC将困惑度从2.45降至1.89，训练轮次减少47%，刷新公开榜单最好成绩。
报告最后，江老师展示了“差分隐私+同态加密+通信压缩”三技融合的FedOpt-Crypto原型系统，并在MNIST、CIFAR-10/100等多数据集上给出实测结果：在Raspberry Pi与Jetson异构集群中，系统仍保持90.1%准确率，通信开销降低65%，为真实边缘部署提供了范例。
主持人程亮老师总结指出，江老师的报告兼顾理论深度与工程细节，为学院联邦学习研究提供了重要参考。与会师生就“隐私预算动态分配”“零知识证明硬件加速”“跨框架代码迁移”等话题踊跃提问，现场交流热烈。
本次报告会不仅拓宽了师生的学术视野，也进一步夯实了学院在隐私计算与分布式智能方向的研究基础。信息与智能工程学院将持续推出高水平学术活动，助力学校“数字自贸港”学科建设，服务国家数据安全与人工智能发展战略。
一审一校 汪荣旺
二审二校 刘小飞 闫吉府
三审三校 李成名 尹娜
