一、开题答辩题目：面向动态类别增量的联邦学习优化策略研究

二、开题答辩人：丁宇

三、开题答辩时间：2024 年 11 月 13 日10:00-11:00

四、开题答辩地点：友谊校区爱生楼401会议室

五、开题内容简介：

随着智能城市、智能电网、自动驾驶汽车和工业自动化等前沿应用的广泛普及，数据处理与模型训练的实时性和灵活性需求日益增长。在高度开放且动态变化的物联网环境中，数据类别随时间不断增加，这对传统的联邦学习框架提出了重大挑战。为此，本研究以模型泛化性、通信高效性、类增适应性及机制鲁棒性为切入点，利用联邦学习的分布式学习性能促进用户协作进化，研究构建高效且适应性强的联邦增量学习框架。通过解决本地数据持续更新模型难以收敛的问题、实时处理数据的计算和通信开销问题、动态情景下模型难以快速适应类增任务问题，以及不可信场景下激励机制的可靠性和鲁棒性难题，本研究旨在实现高效且自适应的模型更新，为数据密集型和资源受限环境下的多任务联邦学习提供技术支持和保障。

六、开题答辩人简介

丁宇，学号2022100770，1997年11月27日生，网络空间安全专业，博士生导师 孙文。