近日，我校信息与通信工程学院智慧网络及应用团队发表的学术论文《Hfedms: Heterogeneous federated learning with memorable data semantics in industrial metaverse》荣获期刊《IEEE Transactions on Cloud Computing》2023年度唯一最佳论文奖。IEEE Transactions on Cloud Computing是云计算领域的顶级期刊（JCR 1区），致力于报道云计算的创新研究思想、应用成果和案例研究，重点关注与理论、算法、系统、应用和性能相关的关键技术问题。

图 1 IEEE Transactions on Cloud Computing 2023最佳论文奖

该工作由2019级英才学院本科生曾晟来科研训练期间，在信通学院智慧网络及应用团队的指导下完成，电子科技大学为论文第一单位。虞红芳教授是论文的通信作者，李宗航博士为共同第一作者，合作者还包括张志豪（英才2019级本科生，现智慧网络团队研究生），罗龙（智慧网络团队成员），香港科技大学的李波教授（IEEE Fellow），新加坡南洋理工大学的Dusit Niyato教授（IEEE Fellow）。

图 2 FL-支持下的工业元宇宙

联邦学习 (FL) 作为一种快速发展的隐私保护协作机器学习范例，是在新兴的工业元宇宙中实现边缘智能的一种很有前途的方法。 尽管许多成功的用例在理论上证明了 FL 的可行性，但在元宇宙的工业实践中，数据非独立同分布（non-i.i.d.）、流式工业数据导致的学习遗忘、通信带宽稀缺等问题仍然是实现实用 FL的主要障碍。同时面对上述三个挑战，本文提出了一个名为HFedMS的高性能高效系统，用于将实用的 FL 融入工业元宇宙。 HFedMS通过动态分组和训练模式转换（Dynamic Sequential-to-Parallel Training, STP）减少数据异构性。 然后，它通过融合压缩的历史数据语义来补偿被遗忘的知识，并校准分类器参数（Semantic Compression and Compensation，SCC）。 最后，特征提取器和分类器的网络参数以不同的频率同步（Layer-wise Alternative Synchronization Protocol，LASP）以降低通信成本。 这些技术使 FL 更适应工业设备不断产生的异构流数据，并且在通信方面也比传统方法（例如，联邦平均）更有效。我们模拟了368个节点，在流式非独立同分布数据集(FEMNIST)上进行了广泛的实验。数值结果表明，HFedMS与 8 个基准相比，分类准确率至少提高了 6.4%，整体运行时间和传输字节数节省高达 98%，证明了其在精度和效率方面的优势。

信通学院智慧网络及应用团队，王晟教授担任团队负责人，在李乐民院士和张宏科院士的指导下，长期致力于智能通信网络、分布式AI系统、网络安全等领域的相关研究，在国家自然科学基金重大项目、国家重点研发计划、JKW等多个国家级项目和头部企业合作项目支持下，发表高水平学术论文200余篇，包括USENIX NSDI、INFOCOM、IEEE JSAC、IEEE TON、IEEE/ACM ICSE、IEEE TIFS、IEEE Network、IEEE TITS和IEEE TSC等顶级期刊和国际会议论文。多篇获最佳论文、高被引及热点论文。近年来，研制的网络模拟器、算网编排调度平台和网络协议漏洞挖掘系统等在中国电信、中国联通、华为等现网和设备中部署应用并高度认可。获 2024 年中国电子学会科技进步奖二等奖和2022 年算网基础设施优秀产品及方案奖，入选中国通信学会2024年算力网络十大创新成果、中国通信学会 2021 年网络 5.0 创新科技成果、未来网络领先创新科技成果。

论文链接: https://ieeexplore.ieee.org/abstract/document/10065509

获奖信息链接: https://www.computer.org/publications/best-paper-award-winners?source=insider0101