近日，我院在联邦学习领域取得双突破，两项研究成果分别被计算机网络与互联网领域国际顶级会议IEEE International Conference on Computer and Communications 2025（INFOCOM 2025）和The ACM Web Conference 2025（WWW 2025）录用，两会议均属中国计算机学会（CCF）推荐的A类国际学术会议。

图1. FedUFD架构总览图

李贝贝研究员团队提出的《FedUFD: Personalized Edge Computing Using Federated Uncertainty-Driven Feature Distillation》，通过创新性设计"不确定性特征蒸馏"机制，有效解决了传统个性化联邦学习中全局知识与本地特征难以均衡的难题。该研究通过引入特征蒸馏实现对全局知识的进一步挖掘，并对全局特征与个性化特征进行不确定性建模，实现不确定性驱动的特征蒸馏方法，充分利用能够有效提升个性化性能的全局知识。实验表明，其个性化性能较现有最优方法提升最高达45.45%。该成果由我院联合计算机学院、清华大学、浙江大学及新加坡南洋理工大学完成，2022级博士生邵泽瑞为第一作者，李贝贝研究员担任通讯作者，获浙江大学区块链与数据安全全国重点实验室支持。

图2. FedRIR架构总览图

张意教授团队在论文《FedRIR: Rethinking Information Representation in Federated Learning》中创新性地提出FedRIR联邦学习框架，该框架通过重构信息表示范式，实现了全局泛化与局部个性化的协同提升。具体来说：1）引入Masked Client-Specific Learning（MCSL）机制，通过掩码技术提取每个客户端数据的细粒度特征，增强个性化能力；2）设计Information Distillation Module（IDM）通过过滤冗余的客户端特定信息，提炼出更纯净、更鲁棒的全局表示，以提升泛化能力。实验结果表明，FedRIR在多个数据集上均显著优于现有的联邦学习方法，同时在异构环境中保持了算法的鲁棒性和稳定性。该成果被WWW 2025录用为口头报告，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及计算机学院，其中网络空间安全学院为成果第一单位。

两项研究均针对个性化联邦学习中全局泛化性和局部个性化的平衡问题展开研究。FedUFD侧重特征层面的知识蒸馏优化，而FedRIR则开创信息表征新范式，形成技术路径的互补突破。INFOCOM 2025主会共收到论文投稿1458篇，最终接收272篇，录用率仅为18.6%，而WWW 2025主会共收到全球2062篇投稿，最终录用409篇，录用率仅为19.8%。我院两篇论文从严格的同行评审和层层筛选之中脱颖而出，彰显了我院在联邦学习领域的持续创新能力。

网络空间安全学院

2025年3月6日