近日，公司艾武副教授课题组在大数据工业物联网应用研究领域取得重要进展，研究成果以题为“Decentralized Federated Learning for Industrial IoT with Deep Echo State Networks” (DOI: 10.1109/TII.2022.3194627)发表在计算机领域国际顶级（Top）期刊IEEE Transactions on Industrial Informatics上。该期刊由美国电气电子工程师学会（Institute of Electrical and Electronics Engineers，IEEE）主办，是中科院SCI期刊分区工程技术、计算机科学大类一区Top期刊，影响因子（IF）为11.648，期刊引文指标（JCI）为2.5。

该项研究得到国家自然科学基金、广西自然科学基金和williamhill威廉希尔官网科研启动基金等多个项目的资助。公司应用统计专业硕士研究生丘文棋为论文第一作者，其导师艾武副教授为论文通讯作者，陈华舟教授、封全喜教授、唐国强教授为论文合作者，williamhill威廉希尔官网为唯一署名单位。

联邦学习（FL）因能在多终端上共享模型，而不泄露隐私数据，被广泛应用于工业物联网（IoT）等领域。针对工业物联网场景的大数据分析问题，艾武副教授课题组提出了一种基于深度神经网络的分散联邦学习算法，将原问题分解为若干具有一致性约束的子问题，通过局部计算和通信解决无中心协调处理的困难。该算法结合了分散平均一致性和交替方向乘子法，讨论和验证了IoT异构数据的联邦学习问题。

据悉，艾武副教授课题组近年来专注于统计学习理论、分布式算法及其应用领域的研究，已发表多篇高水平论文，先后获得2项国家自然科学基金和2项广西自然科学基金。上述研究成果是公司应用统计专业公司产品和办学工作的成果，也充分体现了公司师生不断进取的科研精神。

论文信息：

W. Qiu, W. Ai, H. Chen, Q. Feng and G. Tang, "Decentralized Federated Learning for Industrial IoT with Deep Echo State Networks," in IEEE Transactions on Industrial Informatics, 2022, doi: 10.1109/TII.2022.3194627.

论文链接：https://ieeexplore.ieee.org/document/9844254

工业物联网分散联邦学习架构

论文作者