2025年12月23日，电子科技大学张乐教授受邀为我校师生作学术报告，报告主题为《从本地低维训练轨迹和全局知识迁移探索异构联邦学习中的泛化性》。报告会由陈德旺院长主持，学院师生代表参加了报告会。
报告会上，张乐教授首先介绍了联邦学习，其作为一种“数据不动模型动”的分布式学习范式，有效支持医疗机构、金融机构、交通运营方等多方主体的协同建模，成功规避了原始数据跨域传输的隐私风险，但在实际应用场景中，不同参与方的数据分布往往存在显著差异，模型架构也可能因技术选型不同而呈现异构性，导致联邦学习模型在跨参与方场景下的泛化能力严重弱化，难以实现全局最优性能。基于此，张乐教授提出从本地训练轨迹与全局知识迁移两个维度出发，系统分析异构联邦学习中泛化性弱化的内在机理，并介绍了动态分层子空间约束与低秩引导的层选择策略，提升了模型在特征倾斜与标签倾斜场景下的适应能力。最后，张乐教授还跟大家一起探讨了非线性约束机制与对偶相互学习框架。
报告结束后，张乐教授与现场老师和研究生们展开积极的互动交流，本次报告会使得学院教师们受益匪浅。
