9月11日下午，应学科建设与发展规划处、计算机科学与技术学院和安徽省认知行为智能计算与应用工程研究中心的邀请，安徽工业大学吴宣够教授在工科楼B307学术研讨室做了题为“面向智能物联网的联邦学习研究”的报告。报告会由计算机科学与技术学院院长肖建于教授主持，学院相关领域教师及研究生参加了报告会。

联邦学习作为一种新的分布式机器学习框架，可以实现在数据不出本地的情况下开展多客户端协同模型训练。报告首先讨论了面向智能物联网的联邦学习存在因客户端资源和数据的异构性，导致模型收敛延迟和性能下降。针对cross-location情况下的设备联合故障诊断，提出了一种个性化的联邦故障诊断框架（DecFFD），该框架解耦了全局特征和个性化特征。在DecFFD中，为每个客户端设计了重构器，作为监督器和解耦器来分离全局特征和个性化特征。然后，提出了对应的客户端对齐算法，以消除客户端之间全局特征的差异。此外，开展了公平性和泛化能力的理论分析，为模型收敛提供了理论保证。最后，在两个真实世界数据集上进行了大量实验，实验结果显示，DecFFD的准确性超过当前最新方案的准确性14.67%，并且以更快的速度收敛。

报告会后，在场师生就联邦学习在智能物联网中的技术挑战、应用前景等问题与吴教授进行了深入交流与探讨。此次报告会不仅激发了师生们对联邦学习的浓厚兴趣，也促使大家开始思考如何将这一技术融入自己的研究项目中，探索其在不同领域的应用潜力。

（文/图：段亚西/杨忆  审核：王晶 肖建于）

报告人简介：吴宣够，男，中国、中共党员、教授，博士生导师，安徽工业大学科研处处长，安徽省冶金工业数字孪生技术重点实验室主任。博士毕业于中国科学技术大学计算机科学与技术学院，香港科技大学计算机科学与工程系访问学者。长期从事智能物联网、工业互联网、网络安全与隐私保护研究。近年来。先后主持国家自然科学基金项目3项，安徽省重点研究与开发项目、安徽省高校协同创新项目、重大企业联合攻关项目等项目多项。相关研究成果获安徽省自然科学技术奖、冶金科学技术奖、第八届安徽省自然科学优秀学术论文一等奖等奖项。 近年来，在IEEE TMC、IEEE TWC、IEEE TCCN、IEEE TII、IEEE TVT、IEEE WC、JNCA、MobiHoc、计算机学报等期刊会议上发表论文50余篇，已授权国家发明专利29项。