时间：2025年12月12日上午10:00
地点：理工楼18号楼-307会议室
主讲：张乐，教授，博导，电子科技大学
主办：光电与信息工程学院，福建省光电传感应用工程技术研究中心
专家简介
张乐，电子科技大学教授，博士生导师，国家千人计划（青年项目）入选者。博士毕业于新加坡南洋理工大学，曾在美国伊利诺伊大学新加坡高级研究中心及新加坡科技研究局（A*STAR）从事博士后研究工作。张乐教授长期致力于非理想条件下稳健、鲁棒、隐私友好与高效的智能信号处理方法研究。发表Proceedings of the IEEE以及IEEE TPAMI等学术论文100余篇，总引用超1.3万次。曾获IEEE 国际会议最佳论文奖2项、IEEE/CCA Journal of Automatica Sinica“诺伯特·维纳综述奖”，并荣获IEEE杰出领导奖及2024年度中国图象图形学学会（CSIG）科技进步一等奖。自2019年起连续入选斯坦福大学全球Top 2%科学家榜单及终身影响力榜单。主持科技部重点研发计划及基金委重点国合等国家级科研项目。现任Neural Networks资深执行编辑、IEEE TNNLS副编辑。
讲座简介
随着人工智能在医疗、金融、交通等领域的深入应用，数据隐私与安全日益成为制约模型协同训练的关键瓶颈。联邦学习作为一种分布式学习范式，在保护数据隐私的同时，支持多方协同建模，但其在异构数据与异构模型场景下面临泛化性不足的挑战。本报告将从本地训练轨迹与全局知识迁移两个维度出发，系统分析异构联邦学习中泛化性弱化的内在机理，并介绍动态分层子空间约束与低秩引导的层选择策略，以提升模型在特征倾斜与标签倾斜场景下的适应能力。我们还将探讨非线性约束机制与对偶相互学习框架，进一步推动异构联邦学习向更高效、更鲁棒的方向发展。
