武科大網訊（通訊員魯劍鋒 張炎）近日，我校計算機科學與技術學院魯劍鋒教授團隊再次在中國計算機學會（CCF）推薦的A類國際頂級期刊《IEEE Transactions on Service Computing》上發表了題為《FedUP: Bridging Fairness and Efficiency in Cross-Silo Federated Learning》的最新科研成果。繼2023年10月于同一期刊發表《Incentivizing Proportional Fairness for Multi-Task Allocation in Crowdsensing》后，魯劍鋒教授團隊在微觀經濟公平與聯邦學習效率交叉優化領域再次取得新突破。團隊通過創新的烏托邦公平理念，巧妙解決了聯邦學習中協同效率與收益公平相互沖突的難題，為人工智能物聯網領域的前沿研究注入了新動力，進一步提升了本校計算機學科的學術地位和影響力。碩士研究生劉海波（目前于上海交通大學計算機系攻讀博士學位）為第一作者，魯劍鋒教授為該文章的通訊作者，計算機科學與技術學院為論文的第一完成單位。

跨筒倉聯邦學習（Cross-Silo Federated Learning）以隱私保護的方式實現了多個數據孤島之間的協作訓練，在醫療、金融等研究領域備受矚目。然而，公平且高效的協同對于聯邦學習的可持續發展至關重要。但參與者的策略性行為以及數據分布的天然異構性等挑戰，嚴重阻礙了高效且公平的聯邦學習的實現。傳統的加權聚合損失最小化方法忽視了參與者的個體策略性和集體協同貢獻，導致聯邦協同低效且不穩定。為了攻克這一難題，研究團隊引入了烏托邦公平性概念，以闡釋個體收益與集體效率之間的微妙關系，并提出了一種名為FedUP的聯邦學習框架。該框架旨在實現高效合作與公平聚合，通過以下創新手段取得了顯著成效：在分布式協作方面，將策略性參與者之間的協同過程建模為超模博弈（supermodular game），通過設計最優獎勵策略，激勵參與者最大程度參與模型訓練；在模型聚合方面，創新性地設計了一種權重注意力機制，通過最小化模型性能偏差來計算公平的模型聚合權重；研究團隊還利用交替優化理論來橋接協作效率與烏托邦公平性，并從理論上證明了FedUP框架具有快速的訓練收斂速度。通過對合成數據集和真實數據集的廣泛實驗驗證，進一步彰顯了FedUP在解決聯邦學習協同效率與收益公平沖突方面的優越性。

魯劍鋒是湖北省“楚天學者”特聘教授、浙江省杰出青年基金獲得者，現任我校計算機科學與技術學院三級教授、博士生導師，CCF高級會員，CCF物聯網/普適計算專委會執行委員，國家重點研發計劃“物聯網與智慧城市”重點專項答辯評審專家，以及湖北省、浙江省、上海市、廣東省、江西省、海南省、黑龍江省科技計劃項目評審專家等。他主要從事邊緣智能、聯邦學習、群智計算等方向的研究，借鑒博弈論策略思維，采用最優化理論、李雅普諾夫優化、近似算法、機器學習等多學科交叉知識，聯合解決聯邦學習與群智計算中比例公平激勵、服務交換、眾包競爭困境等難題。

近年來，魯劍鋒以第一作者或通訊作者在IEEE TSC、IEEE JSAC、IEEE TIFS、IJCAI、ACM TOIT、IEEE TII、IEEE TVT、IEEE TCSS、IEEE TCE、IEEE TETCI、IEEE IOTJ、電子學報等有影響力的學術期刊及會議上發表論文50余篇，授權國家發明專利8項；先后主持國家自然科學基金4項、省部級課題6項；指導的研究生多次獲得省/校優秀畢業生稱號、優秀碩士學位論文、研究生國家獎學金、校長特別獎等榮譽，多人畢業后赴上海交通大學、東南大學、浙江師范大學、武漢科技大學等高校攻讀博士學位。