时间：2025年4月24日 15:00-16:00

地点：数学与统计楼213

报告人：温金明教授   吉林大学

题目：Optimal Client Selection of Federated Learning Based on Compressed Sensing

 摘要：联邦学习是一种允许多个个人或团体在不交换数据的前提下协同实现机器学习建模的技术，凭借其私有数据不出本地的特性，得到了广泛应用。然而，联邦学习在实践中仍面临着隐私泄露、通信效率低、掉队效应和异质性等挑战。本报告首先介绍如何将最优客户端选择问题转化为稀疏优化问题，以提出一种新的安全聚合协议，然后介绍客户端重复贡献解决方案、无额外通信的客户端采样策略和掉队者惩罚策略三个辅助组件的设计，最后介绍一种安全高效的联邦学习方案的构建，旨在有效应对上述核心挑战。

 报告人简介：温金明，吉林大学教授、博士生导师、国家青年人才、广东省青年珠江学者，2015年2月博士毕业于加拿大麦吉尔大学，2015年3月至2018年8月先后在法国里昂并行计算实验室、加拿大阿尔伯塔大学、加拿大多伦多大学从事博士后研究工作，2018年9月至2025年3月在暨南大学工作；现任中国数学会理事、广东省计算数学学会常务理事、广东省运筹学会常务理事、IEEE Trans. Audio Speech Lang. Process.、Alex. Eng. J.、《人工智能科学与工程》等期刊编辑，近年来主持国家自然科学基金3项、省级项目4项。温教授的研究方向是整数信号和稀疏信号恢复的算法设计与理论分析，近年来以第一作者/通讯作者在IEEE Trans. Inf. Theory、IEEE Trans. Signal Process.、IEEE/ACM Trans. Audio Speech Lang. Process.、ACM Trans. Asian Low-Resour. Lang. Inf. Process、SIAM J. Imaging Sci.、Inverse Probl.、Appl. Comput. Harmon. Anal.等期刊发表60余篇学术论文，以第一发明人授权中国发明专利13件。