作为一种新兴的分布式机器学习范式，联邦学习凭借其在降低隐私风险和计算成本方面的良好前景受到了广泛的关注。联邦学习的大多数现有工作都集中在如何提高计算性能上，而关于如何鼓励终端设备参与学习的问题尚未得到充分研究。我们将在终端用户具有多维私人信息的复杂情况下考虑系统的优化和激励机制设计。通过对三种不同信息场景的分析，我们将揭示信息不对称程度对整体系统性能的影响。本演讲也将介绍黄建伟教授组的博士招生情况，具体情况请关注微信公众号“网络通信与经济”（ncel_cuhk）。
 

黄建伟为香港中文大学（深圳）校长讲座教授和理工学院副院长，深圳市人工智能和机器人研究院副院长和群体智能研究中心主任，IEEE Transaction on Network Science and Engineering 的主编，曾任上海交通大学访问教授。他2005年于美国西北大学获博士学位，2005 至2007年间担任美国普林斯顿大学博士后副研究员，2007年至2018年间在香港中文大学信息工程系任助理教授/副教授/正教授。黄建伟是教育部长江学者特聘教授，IEEE Fellow，IEEE通信学会杰出讲师，科睿唯安计算机科学领域全球高被引科学家，全球排名前 2%科学家。黄建伟长期专注于计算机网络、人工智能和经济学交叉领域的开创性研究，总共发表了7本英文学术专著，300多篇国际一流期刊和会议论文，谷歌学术总引用超过13000。他的论文九次获得国际会议和期刊的最佳论文奖，包含2011年IEEE马可尼无线通信论文奖。