近日，我院张意教授团队在个性化联邦学习领域取得了重要进展，研究成果《Beyond Class Boundaries: Federated Visual Primitive Sharing with Text-Guided Adaptation》成功被互联网领域的国际顶级会议The Web Conference 2026 (WWW 2026)接收。我院2024级博士生黄永强为第一作者，张意教授为通信作者，合作团队包括四川大学网络空间安全学院与计算机学院，其中网络空间安全学院为该成果的第一单位。

联邦学习作为一种分布式机器学习方法，广泛应用于数据隐私保护场景。然而，传统的联邦学习方法在面对数据异质性时，常常难以平衡全局模型和个性化模型之间的关系。为了解决这一问题，张意教授团队提出了FedVPL框架，该框架通过解构传统的类别级特征表示，并采用视觉原语空间共享，显著提高了联邦学习中的特征多样性和共享效率。通过文本引导的语义对齐，该方法进一步确保了个性化适应，同时避免了额外的通信开销。实验结果表明，FedVPL在多个非独立同分布（Non-IID）数据集上的表现显著优于现有方法，准确率提高了5.62%，同时减少了12.5倍的通信开销，显著提升了个性化性能和模型的泛化能力。

The Web Conference（WWW）是互联网领域的顶级国际会议之一，也是中国计算机学会（CCF）推荐的A类会议。WWW 2026共收到3370篇有效投稿，最终录用676篇，录用率为20.1%。张意教授团队的论文在激烈的同行评审中脱颖而出，充分体现了我院在该领域的持续创新和学术影响力。