近日，电子科技大学信息与通信工程学院智慧网络及应用团队发表的学术论文《Hfedms: Heterogeneous federated learning with memorable data semantics in industrial metaverse》荣获期刊IEEE Transactions on Cloud Computing 2023年度唯一最佳论文奖。该期刊是云计算领域的顶级期刊（JCR 1区），致力于报道云计算的创新研究思想、应用成果和案例研究，重点关注与理论、算法、系统、应用和性能相关的关键技术问题。
图1 IEEE Transactions on Cloud Computing 2023最佳论文奖
该工作由2019级英才学院本科生曾晟来科研训练期间，在信通学院智慧网络及应用团队的指导下完成，电子科技大学为论文第一单位。虞红芳教授是论文的通信作者，李宗航博士为共同第一作者，合作者还包括张志豪（英才2019级本科生，现智慧网络团队研究生），罗龙（智慧网络团队成员），香港科技大学的李波教授（IEEE Fellow），新加坡南洋理工大学的Dusit Niyato教授（IEEE Fellow）。
图2 FL支持下的工业元宇宙
联邦学习（FL）作为一种快速发展的隐私保护协作机器学习范例，是在新兴的工业元宇宙中实现边缘智能的一种很有前途的方法。尽管许多成功的用例在理论上证明了FL的可行性，但在元宇宙的工业实践中，数据非独立同分布（non-i.i.d.）、流式工业数据导致的学习遗忘、通信带宽稀缺等问题仍然是实现实用FL的主要障碍。面对上述三个挑战，本文提出了一个名为HFedMS的高性能高效系统，用于将实用的FL融入工业元宇宙。HFedMS通过动态分组和训练模式转换（Dynamic Sequential-to-Parallel Training, STP）减少数据异构性。然后，它通过融合压缩的历史数据语义来补偿被遗忘的知识，并校准分类器参数（Semantic Compression and Compensation，SCC）。最后，特征提取器和分类器的网络参数以不同的频率同步（Layer-wise Alternative Synchronization Protocol，LASP）以降低通信成本。 这些技术使FL更适应工业设备不断产生的异构流数据，并且在通信方面也比传统方法（例如，联邦平均）更有效。作者模拟了368个节点，在流式非独立同分布数据集（FEMNIST）上进行了广泛实验。数值结果表明，HFedMS与8个基准相比，分类准确率至少提高了6.4%，整体运行时间和传输字节数节省高达98%，证明了其在精度和效率方面的优势。
信通学院智慧网络及应用团队由王晟教授担任团队负责人，在李乐民院士和张宏科院士的指导下，长期致力于智能通信网络、分布式AI系统、网络安全等领域的相关研究，在国家自然科学基金重大项目、国家重点研发计划等多个国家级项目和头部企业合作项目支持下，发表高水平学术论文200余篇，包括USENIX NSDI、INFOCOM、IEEE JSAC、IEEE TON、IEEE/ACM ICSE、IEEE TIFS、IEEE Network、IEEE TITS和IEEE TSC等顶级期刊和国际会议论文。多篇获最佳论文、高被引及热点论文。近年来，研制的网络模拟器、算网编排调度平台和网络协议漏洞挖掘系统等在中国电信、中国联通、华为等现网和设备中部署应用并获得高度认可。获2024年中国电子学会科技进步奖二等奖和2022年算网基础设施优秀产品及方案奖，入选中国通信学会2024年算力网络十大创新成果、中国通信学会2021年网络5.0创新科技成果、未来网络领先创新科技成果。
