近日，數(shù)學(xué)與計(jì)算機(jī)科學(xué)學(xué)院馮海林教授團(tuán)隊(duì)的學(xué)術(shù)論文“MoCFL: Mobile Cluster Federated Learning Framework for Highly Dynamic Network”（《MoCFL：面向高動(dòng)態(tài)網(wǎng)絡(luò)的移動(dòng)集群聯(lián)邦學(xué)習(xí)框架》）被網(wǎng)絡(luò)領(lǐng)域國(guó)際頂級(jí)會(huì)議《WWW》錄用，也是數(shù)計(jì)學(xué)院成果首次入選該會(huì)議。WWW會(huì)議是中國(guó)計(jì)算機(jī)學(xué)會(huì)推薦的A類(lèi)（CCF A）頂級(jí)國(guó)際學(xué)術(shù)會(huì)議，在網(wǎng)絡(luò)/人工智能等領(lǐng)域享有極高的學(xué)術(shù)聲譽(yù)，錄用率常年維持在20%以下。方凱教授為論文第一作者，馮海林教授為通訊作者。浙江農(nóng)林大學(xué)數(shù)學(xué)與計(jì)算機(jī)科學(xué)學(xué)院為論文的第一和通訊單位。
高度動(dòng)態(tài)的林業(yè)監(jiān)測(cè)無(wú)人機(jī)集群中客戶(hù)端節(jié)點(diǎn)的頻繁波動(dòng)會(huì)導(dǎo)致特征空間分布和數(shù)據(jù)漂移的顯著變化，對(duì)現(xiàn)有聯(lián)邦學(xué)習(xí) (FL) 策略的穩(wěn)健性構(gòu)成重大挑戰(zhàn)。為了解決這些問(wèn)題，提出了一個(gè)面向林業(yè)監(jiān)測(cè)場(chǎng)景的移動(dòng)集群聯(lián)邦學(xué)習(xí)框架 (MoCFL)。MoCFL 通過(guò)引入親和矩陣來(lái)增強(qiáng)特征聚合，該矩陣量化了來(lái)自不同客戶(hù)端的局部特征提取器之間的相似性，解決了頻繁的客戶(hù)端流失和拓?fù)渥兓瘜?dǎo)致的動(dòng)態(tài)數(shù)據(jù)分布變化。此外，MoCFL 在訓(xùn)練全局分類(lèi)器時(shí)集成了歷史和當(dāng)前特征信息，有效緩解了移動(dòng)場(chǎng)景中經(jīng)常遇到的災(zāi)難性遺忘問(wèn)題。這種協(xié)同組合確保 MoCFL 在動(dòng)態(tài)變化的移動(dòng)環(huán)境中保持高性能和穩(wěn)定性。在 UNSW-NB15 數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果表明，MoCFL 在動(dòng)態(tài)環(huán)境中表現(xiàn)出色，在保持合理訓(xùn)練成本的同時(shí)表現(xiàn)出卓越的穩(wěn)健性和準(zhǔn)確性。
本研究得到了國(guó)家自然科學(xué)基金和浙江省自然科學(xué)基金的支持。
（數(shù)計(jì)學(xué)院 方凱）
浙ICP備11046845號(hào)-1 浙公網(wǎng)安備33018502001115號(hào) 