主管/主办:重庆西南信息有限公司
CODEN JKIEBK
-
联邦学习是当前非常活跃的一种新兴的人工智能基础技术,本质是一种保护隐私的分布式机器学习,可通过中央服务器在保证数据隐私性的前提下,使用分散在各地的数据训练机器学习、深度学习模型。相比于传统的数据加密共享方法,联邦学习基于数据可用不可见的理念,通过聚合所有用户的加密模型参数,在数据不出本地的情况下进行模型协同训练,能够更好地应对数据共享领域出现的新问题和法律法规约束。虽然最近几年国内外学者在联邦学习方面开展了不少研究,而且联邦学习已在智能零售、金融、自动驾驶等领域获得广泛关注,以及联邦学习在一些实际业务场景中已有相关应用,但其仍然处于发展初期,对于各种复杂的学习场景还有很多待解决的前沿问题以及待提升的技术,联邦学习的落地即存在大量的机会,也面临着挑战。
为了促进联邦学习的研究和应用,及时、集中、全面地报道联邦学习相关架构、模型、算法、应用实践等方面的最新成果和进展,《计算机科学》拟在2022年第12期策划出版“联邦学习技术及前沿应用”专栏(正刊),希望能为相关领域的专家学者提供交流合作、发布最新前沿科研成果的平台,促进学术界和工业界的深度融合,推动中国计算机领域的发展。欢迎相关领域的专家学者、科研人员踊跃投稿!
专栏特邀编审:
林伟伟(华南理工大学)
李克勤(美国纽约州立大学)
彭绍亮(湖南大学)
王 田(北京师范大学)
吴文泰(华南理工大学)
一、征文范围(包括但不限于以下主题):
联邦学习架构和通信机制
联邦学习的数据安全和隐私保护
联邦学习激励机制
联邦学习客户端选择
联邦学习性能优化
联邦学习与边缘计算
联邦学习开源框架
联邦学习与区块链
联邦学习与云边协同
联邦学习应用
二、投稿要求
1.投稿方式:通过“计算机科学在线投稿系统”(http://www.jsjkx.com)投稿。投稿时请选择“联邦学习技术及前沿应用”栏目。
2.稿件格式:参照《计算机科学》官方网站首页提供的稿件模板排版,中英文稿件均可,内容可以是原创研究型和综述型成果,鼓励综述和长文。
3.投稿文章未在正式出版物上发表过,也不处于其他刊物或会议的审稿过程中,不存在一稿多投现象;投稿文章须保证合法性(无抄袭、剽窃、侵权等不良行为)。
4.其他事项请参阅投稿指南:http://www.jsjkx.com/CN/column/column12.shtml。
三、重要时间
投稿截止时间:2022年7月31日
录用截止时间:2022年9月30日
专栏出版时间:2022年12月15日
四、联系方式
编辑部联系人:李老师
E-mail:lyhjsjkx@163.com
电话:023-67039612
通信地址:重庆市渝北区洪湖西路18号
邮编:401121