北京时间10月28日，，，，，第五期 IEEE TNSE 优异讲座系列运动在线上乐成举行。。。。。。。此次，，，，，我们有幸约请到普林斯顿大学 H. Vincent Poor 教授，，，，，他分享了在无线网络边沿安排漫衍式机械学习的念头，，，，，围绕联邦学习和去中心化学习先容了漫衍式机械学习的装备调理和隐私保；；；；；；さ绕虻南喙叵Ｍ，，，，并给出未来研究偏向。。。。。。。

本次讲座由 优德官网 副院长兼群体智能中心主任、香港中文大学（深圳）协理副校长、校长讲座教授、理工学院副院长、IEEE TNSE 主编黄建伟教授担当执行主席和主持人。。。。。。。

随着可用数据的增添以及装备算力的突破，，，，，近年来机械学习进入飞速生耐久。。。。。。。古板的机械学习要领在数据中心或云端网络各个装备爆发的数据，，，，，并安排中心式算法举行模子训练。。。。。。。然而，，，，，在自动驾驶和康健医疗等新兴领域，，，，，由于数据通常在边沿侧天生，，，，，且网络上行链路容量受限，，，，，中心式机械学习面临高传输时延和数据隐私泄露等挑战。。。。。。。在无线网络边沿安排漫衍式机械学习可在一定水平上解决因数据回传到云端而带来的延迟和隐私问题，，，，，因此让机械学习更靠近网络边沿成为一种趋势。。。。。。。

Poor 教授分享无线网络边沿漫衍式学习中联邦学习以及去中心化学习的研究效果。。。。。。。为了提升联邦学习在无线网络中的训练效率，，，，，Poor 教授及其团队首先剖析联邦学习在随机调理和循环调理等战略下的收敛率，，，，，并团结信息年岁设计调理战略，，，，，通过最小化模子参数信息年岁促使装备实时更新信息。。。。。。。接着，，，，，针春联邦学习中的隐私问题，，，，，使用差分隐私对聚合前的模子加噪，，，，，通过控制隐私预算来权衡隐私性和模子准确性，，，，，并验证基于差分隐私的联邦学习算法收敛性。。。。。。。最后，，，，，针对漫衍式学习易于陷入局部最优的问题，，，，，提出协同训练要领来转达外地学习履历，，，，，进而包管算法收敛至松懈解。。。。。。。

问答环节，，，，，Poor 教授的精彩报告也引发了?家的思索和热烈讨论。。。。。。。例如，，，，，将差分隐私引入到联邦学习所面临的主要挑战是什么，，，，，尚有其他更适用于联邦学习的隐私保；；；；；；ひ炻穑？？？？？对此，，，，，Poor 教授体现隐私性和学习性能的权衡是一大挑战，，，，，使用密码学要领保；；；；；；ち钛暗氖菀私是一个可行的偏向。。。。。。。借助同态加密可在无需解密的条件下举行模子聚合，，，，，可是还需进一步解决加密盘算价钱大的问题。。。。。。。别的，，，，，引入区块链举行隐私保；；；；；；ひ彩歉昧煊虻目趴翁。。。。。。。

视频回首：https://www.bilibili.com/video/BV1xP411w7ma/