2023年9月20日上午，应南昌大学数学与计算机学院邀请，武汉大学叶茫教授作了题为《隐私计算之异构联邦学习》的学术报告。在本次报告中，叶教授对异构联邦学习主题作了深入浅出的描述。报告由数学与计算机学院特聘教授庞孟主持。

联邦学习（Federated Learning）是一种分布式学习模式，它让多个参与者可以在不泄露数据隐私前提下，联合多源数据共同训练模型，实现数据可用不可见。然而，现有的联邦学习研究依赖于数据分布一致、模型结构一致等假设，无法满足实际复杂多样化的异构需求。在本次报告中，叶茫教授分享了团队近期发表的异构联邦学习综述文章，并重点介绍了小样本的异构联邦学习、噪声鲁棒的异构联邦学习、领域泛化的异构联邦学习、以及图联邦学习四个具有实际意义的研究方向。整个报告内容精彩纷呈，参会老师与学生们收获匪浅。

报告嘉宾简介：叶茫，武汉大学计算机学院教授、博士生导师。主要研究方向计算机视觉、多媒体检索、联邦学习等，发表国际期刊会议论文 80 余篇，其中第一/通讯作者发表 CCF-A 类论文40余篇，谷歌学术引用 5800 余次，10篇论文入选ESI高被引论文。担任CVPR 2024、ACM MM 2023等顶级学术会议领域主席。主持湖北省重点研发计划、国家自然科学基金面上项目等10余项科研项目。获谷歌优秀奖学金、计算机视觉顶会 ICCV2021 无人机特定行人检索赛道冠军、2021年斯坦福排行榜“全球前2%顶尖科学家”、2022年度百度AI华人青年学者（计算机视觉领域）等荣誉。