摘要：联邦学习作为面向隐私保护的分布式学习范式，提出以数据不动模型动的方式在端侧协同训练神经网络模型然而，端侧异构分布的数据给联邦学习带来了严峻挑战虽然最近涌现出的一系列研究在一定程度上缓解了该问题，但大部分工作只关注空间上的数据分布差异，忽略了会伴随着联邦学习进程而出现的时空异构数据。本次报告将针对联邦学习与推理系统所面临的真实挑战提出涵盖时空异构数据的联邦学习理论框架;探索联邦学习在部署场景的分布偏移问题，提出数据分布偏移鲁棒的自适应个性化联邦学习算法。

嘉宾简介：林涛，西湖大学特聘研究员、助理教授、博士生导师；博士毕业于瑞士洛桑联邦理工学院（EPFL），并获得EPFL优秀博士论文奖。研究领域为（1）深度学习与优化，和（2）分布式深度学习与推理系统。相关研究成果达20余篇论文，其中以一作/共同一作身份在顶级机器学习会议如ICML/NeurIPS/ICLR上发表论文10余篇。根据谷歌学术统计，论文引用达2200余次（截至2023年03月），H指数20；现为科技部科技创新2030重大项目课题负责人。