可信联邦学习冬令营·成都开营，产学研共促AI人才培养

11月10日-12日，西南财经大学、FATE开源社区、微众银行、中国计算机学会（CCF）成都分部共同举办的“可信联邦学习冬令营”在成都正式开营。为期三个月的冬令营中，来自全国各高校的学员们将结合自身研究背景和兴趣，在领域专家的指导下，围绕“可信联邦学习（TFL）”这一人工智能与隐私计算前沿领域展开研究实践，在可信联邦学习多目标优化、联邦大模型等多个研究方向上形成论文，在2024年2月开展研究成果评比，最终评选出优秀研究成果。

此次冬令营是继第一期可信联邦学习夏令营·北京清华站与第二期西安交通大学站之后的第三期活动，获得了清华大学、四川大学、中国石油大学、联通（上海）产业互联网有限公司等高校与机构的大力支持，吸引了来自西南财经大学、四川大学、西南交通大学、复旦大学、香港科技大学等12所高校的50余位硕士和博士生积极参与。

众多专家齐聚一堂，共同开启研究之旅

在为期三天的开营培训阶段，加拿大工程院与皇家学院院士杨强、微众银行人工智能首席科学家范力欣、西南财经大学计算机与人工智能学院院长刘贵松、西南财经大学计算机与人工智能学院副院长杨新、西南交通大学计算机与人工智能学院副院长杨燕、清华大学智能产业研究院副教授刘洋等领域专家为学员们带来集中培训，传授自身多年研究经验与实践方法。此外，来自清华大学、浙江大学、复旦大学、华中科技大学、福州大学、四川大学、电子科技大学、西南交通大学、西南财经大学等知名高校与科研机构的教授担当导师，为学员进行全程研究指导

在开幕致辞中，西南财经大学党委常委、副校长桂富强表示，学校致力于推动财经科技创新，特别是在人工智能和金融领域的融合。他希望同学们在学习和研究中能够“观察人类的未来，也观察自己的未来”

桂富强 西南财经大学党委常委、副校长

加拿大工程院与皇家学院院士、微众银行首席人工智能官杨强在开幕致辞中指出，未来的世界将是人类和模型共存的世界，模型的制造、流通和管理是重要的议题。联邦学习符合人工智能的发展趋势，中国是联邦学习的重要发源地之一。希望同学们在本次冬令营中获得收获，成为联邦学习和人工智能领域的中坚力量。杨强教授还就《可信联邦学习与联邦大模型》的主题分享了联邦学习的相关理论框架、可信联邦学习以及联邦大模型的前沿研究和应用

杨强 加拿大工程院与皇家学院院士、微众银行首席人工智能官

范力欣博士在微众银行的报告中提到了《可信联邦多目标优化》的主题，指出联邦学习不仅是一种技术，还是一个平衡性能、效率、安全等多方问题的系统性框架和解决方案。此外，范力欣博士还讨论了涉及到的模型版权保护和激励机制等问题，并鼓励财大同学结合交叉学科进行更深入的研究

范力欣 微众银行人工智能首席科学家

清华大学智能产业研究院副教授、FATE开源社区学术专委会主席刘洋分享了《基于知识流动的联邦学习框架》，介绍了框架的基本概念和工作原理，并详细讲解如何在不泄露原始数据的情况下，提升效率以满足实际应用的需求。

刘洋 清华大学智能产业研究院副教授、FATE开源社区学术专委会主席

康焱博士分享了他在“联邦大模型”方面的研究工作，以及通过联邦迁移学习来实现基础模型的调研、归纳和分析。他指出，大型预训练的基础模型存在一些限制，如缺乏领域知识和知识容易过时。通过联邦迁移学习，我们可以将领域和行业知识融入基础模型，并利用基础模型的通用知识来帮助建立领域模型

康焱 微众银行人工智能资深研究员

杨新教授在《联邦持续学习》的主题报告中介绍了西南财经大学计算机与人工智能学院团队的最新研究成果。他指出，联邦持续学习是一种动态而现实的联邦学习方法，其主要目标是在服务器聚合过程中避免时空性灾难性遗忘。杨新教授希望能推动在西南地区建立一个可信赖的联邦学习学术社区，并进一步促进联邦学习的整体发展

杨新 西南财经大学计算机与人工智能学院副院长

四川大学讲师叶庆以《面向异构计算环境的去中心化联邦学习》为主题，分享了当前中心化联邦学习面临的一些挑战，尤其是异构计算环境对联邦学习性能的影响。对此，叶庆老师所在课题组以去中心架构为基础开展了通信优化、个性化联邦学习等相关方案研究，以应对联邦学习在异构计算环境中的挑战。

叶庆 四川大学讲师

华中科技大学的助理教授张晓今分享了有关《联邦学习理论》的内容，对联邦学习中的攻防理论进行了深入介绍。他提出了在分布式环境中如何平衡隐私和效用，并讨论了如何达到最佳平衡、攻防双方是否能够学习以及如何设计最佳防御策略等问题

张晓今 华中科技大学助理教授

刘泽雷，联通（上海）产业互联网有限公司的技术总监，以《联邦参与者贡献评估》为主题，介绍了一种基于多方参与的贡献度评估的数据价值量化方法，并通过案例详细阐述了该方法如何在实际应用中更好地激励各参与者积极参与，充分发挥数据价值，推动数据生态的构建

 刘泽雷 联通（上海）产业互联网有限公司技术总监

中国石油大学（北京）的副教授吕仲琪分享了他关于《联邦推荐算法》的研究成果和应用。他解释了推荐系统在数据共享、可信性和隐私保护方面的需求，并探讨了如何通过联邦学习来提高推荐系统的可用性和安全性。此外，他还讨论了联邦学习在推荐系统领域的未来研究方向

吕仲琪 中国石油大学（北京）副教授

此外，来自电子科技大学的朱公溪分享了他参与7月开营的清华AIR可信联邦学习夏令营中的研究成果和感想与收获。

朱公溪 电子科技大学集思广益，拓知识之源

在接下来的研究与实践阶段，学员们将在专家导师的指导下，结合自身的研究背景和兴趣，形成小组，并确定研究主题。各研究小组的导师由联邦学习领域的博士生担任，其中包括香港科技大学的杨柳、柴迪、耿栩、高大山、万晟、唐兴兴等。在接下来的两天时间里，小组将进行分组讨论，并于11月12日进行小组汇报和正式开题。预计在2024年2月，将完成论文，并评选出优秀的研究成果

导师带领学员分组讨论

博士留学生伟迪（Maitee）来自西南财经大学，他表示：“我来自老挝，参加这次冬令营活动让我有机会和各位老师、同学们一起交流想法，希望将在联邦学习相关研究方面的所学带回老挝，并有更多学术交流的机会。”

小组开题汇报

范欣怡来自西南交通大学表示：“在这次冬令营活动中，我得到了很多关于论文的启发。希望更多的学长学姐、学弟学妹能参与到夏令营和冬令营的活动中，一起交流，共同进步。”

小组开题汇报

本次可信联邦学习冬令营为众多学生提供了一个深入学习和探索联邦学习领域的交流平台，以促进人才培养，推动“产、学、研、用”跨领域合作与交流。希望未来能有更多的年轻才俊加入人工智能与隐私计算事业，成为行业发展的中坚力量