近日，我院2023级硕士研究生陈悦同学在导师鲁剑锋教授的指导下，撰写学术论文《LEAP: Optimization Hierarchical Federated Learning on Non-IID Data with Coalition Formation Game》，被第33届国际人工智能联合会议（IJCAI2024）录用，本次会议共收到创纪录的5461篇长文投稿，2021-2023年录用接受率为13%-15%。

IJCAI会议内容主要围绕人工智能相关理论及应用，是人工智能领域中最主要的学术会议之一，也是全球学术界以及企业界人工智能研究人员和实践者的顶级国际聚会。中国计算机学会（CCF）推荐国际学术会议目录将IJCAI列为人工智能领域A类会议。

分层联邦学习利用边缘服务器丰富的通信资源来减轻部分通信负担，但非独立同分布（Non-IID）数据和有限的带宽资源会降低其模型性能。在当前研究中，数据服从均匀分布的强假设与多源异构的边缘计算场景明显不符，额外的模型训练或数据交换来检查数据分布将不可避免地增加计算成本和隐私泄露的风险，而通过聚类数据分布来选择客户端的方法难以保证最终数据分布的最优组合。因此，如何在不涉及原始数据的情况下减少Non-IID数据的影响，合理化通信资源分配以减少总执行延迟，是当下急切需要解决的问题。陈悦同学的论文提出了一种基于联盟形成博弈的分层联邦学习优化方法，LEAP，以减轻Non-IID问题和通信瓶颈。具体而言，LEAP衡量了边缘服务器之间的Non-IID程度，并将客户与边缘服务器之间的相关性动态调整至最佳，从而减少Non-IID数据的负面影响。在稳定联盟划分的基础上，进一步对不同联盟进行带宽分配，确保在指定的时延约束下的最优传输功率以提高训练效率。实验结果表明，与最先进的基线相比，LEAP能够提高20.62%的模型精度。相比于随机带宽分配的方法，LEAP能够实现降低至少55.53%的传输能耗。

陈悦同学是武汉科技大学网络工程（中外合作办学）2019级学生，本科期间多次被评为校“优秀学生标兵”“优秀共青团员”“优秀学生”，连续3年获得校优秀学生奖学金，2021年通过学校“拔尖人才培育计划”免试提前攻读硕士研究生，加入鲁剑锋教授团队。

鲁剑锋教授是湖北省“楚天学者”特聘教授、浙江省杰出青年基金获得者、武汉科技大学三级教授、博士生导师、CCF物联网/普适计算专委会执行委员、国家重点研发计划“物联网与智慧城市”重点专项答辩评审专家、湖北等7省（市）科技计划项目评审专家等，主要从事联邦学习、群智计算、博弈论等方向研究，先后主持国家自然科学基金4项、省部级课题6项，近年来以第一作者和通讯作者在IEEE TSC、IEEE JSAC、IEEE TIFS、IJCAI、ACM TOIT等有影响力的学术期刊及会议上发表论文50余篇，授权国家发明专利8件。