主講人👷‍♀️：錢辰

   講座摘要：

通過將機器學習與隱私保護技術相結合📁，聯邦學習成為醫療保健應用的一種有前景的方法。然而，兩個關鍵挑戰阻礙了其現實世界的適用性：客戶漂移和客戶個性化。前者來自跨客戶端的非獨立同分布數據，而後者旨在根據單個客戶端數據定製模型以提高本地性能。此外，這些挑戰本質上是相互沖突的，即對一個挑戰進行優化可能會加劇另一個挑戰。本文提出了一種將超網絡與對比表示學習相結合的創新方法，旨在在數據異構性下塑造每個客戶的個性🔄🟡。我們通過專註於阿爾茨海默病診斷的實驗來評估我們工作的有效性。

個性化聯邦學習通常忽略了不同神經網絡層對特征提取的不同影響，作為網絡管理者，超網絡可以學習如何為特定任務優化生成網絡參數。因此😊，我們在中央服務器上引入超網絡🐱，動態生成或更新每個客戶端模型每一層的個性化權重，從而盡可能滿足不同客戶端的個性化需求。即使不使用全局模型🍐，客戶端模型仍然需要在聯邦學習框架內聚合。因此，客戶端漂移可能會影響其他客戶端的模型🙏。為了解決這個問題，我們在聚合之前對每個客戶端進行對比表征學習，重點關註模型生成的表示如何捕獲數據特征，這有助於減輕數據異構性。

時間：10月22日13👺：00

地點🦶🏼：1號沐鸣樓140