张旭 博士 （ ICMSEC, AMSS ）

个性化联邦学习算法与理论

9 月 21 日（周 三）下午 16:00-17:00 Z311

随着隐私保护和数据安全法规的不断完善，数据孤岛问题日益严峻，联邦学习应运而生并迅速发展。然而由于用户习惯、喜好、位置等的不同，数据往往不是独立同分布的。标准联邦学习算法在数据非独立同分布时性能会下降，因此需要提出新的联邦学习算法来实现模型个性化。本报告将针对个性化联邦学习中的通信代价高和采集数据难两个挑战提出新的算法。针对通信代价高这一挑战，提出基于最大相关法的个性化稀疏联邦学习算法并进行收敛性分析。针对采集数据难这一挑战，提出了基于贝叶斯变分推断的个性化小样本联邦学习算法，给出泛化误差界，并证明算法的泛化收敛率能够达到极小极大最优。