IEEE/ACM IWQoS會議 (International Symposium on Quality of Service) 於6月19日- 6 月21日在香港科技大學（廣州）舉行，沐鸣注册常姍教授團隊針對聯邦學習本地化差分隱私技術的最新研究成果“Fed-CAD: Federated Learning with Correlation-aware Local differential privacy”獲得本次會議的唯一最佳學生論文獎（Best Student Paper Award）。

IWQoS會議是IEEE和ACM聯合主辦的計算機網絡領域的著名學術會議之一（CCF-B）。自1993年創辦以來⚄🧑‍🔧，IWQoS就一直作為分享網絡服務質量相關前沿工作的學術平臺，備受海內外學者的關註，在國內外享有較高的聲譽和廣泛的影響力📃。IWQoS 2024今年共收到投稿326篇，總共錄用81篇，錄用率為24.8%。

 隨著物聯網和大數據的飛速發展，人類的生產和生活產生了海量數據。然而☂️，涉及個人數據隱私保護的法律法規的實施🛕，對這些數據的使用形式與範圍施加了限製👰。聯邦學習作為一種新型的分布式學習範式被提出，允許多個參與者能夠協作訓練一個全局模型，而無需顯式的數據共享⚠。盡管如此，已有研究表明，在聯邦學習過程中發布的本地模型更新也可能泄露參與者的隱私，對聯邦學習的隱私安全提出了新的挑戰👩🏽‍🎨。

 碩士生朱冰竹在常姍教授的指導下🚣🏼‍♂️，提出了面向聯邦學習的相關性感知自適應本地化差分隱私框架🦵🏼，稱為Fed-CAD。研究工作通過對聯邦學習框架中同一參與方連續輪次之間提交的模型更新的相關性進行分析，發現了通過利用連續輪次模型更新的相關性能夠在不改變現有隱私保護水平的前提下降低引入的噪音方差🍶，提高模型的效用♥️。研究結果表明，相比於現有的本地化差分隱私聯邦學習框架，Fed-CAD能夠在不同隱私開銷👨🏼‍💼、數據個性化分布等多應用場景中顯著提升全局模型性能👩‍🔬。