FCS“优秀青年计算机科学家论坛”于2019年启动，以尊重科学贡献、传播更多优秀成果为宗旨。论坛作者审视自己的研究领域，介绍研究方向和研究进展。本论坛所有文章均为特邀稿件。
本期“优秀青年计算机科学家论坛”推出北京航空航天大学庄福振教授团队的成果——联邦迁移学习综述：挑战、方法与应用。
作者简介
庄福振，北京航空航天大学人工智能研究院教授，博士生导师。主要从事迁移学习、多任务学习、推荐系统、知识图谱等方面的研究工作。已经在本领域顶级、重要国际期刊和会议，如Nature Communications、IEEE TKDE、TEEE TNNLS、Scientific Reports、KDD、IJCAI、AAAI、WWW等发表论文150多篇。
文章信息
标 题：
A comprehensive survey of federated transfer learning: challenges, methods and applications
引用格式：
Wei GUO, Fuzhen ZHUANG, Xiao ZHANG, Yiqi TONG, Jin DONG. A comprehensive survey of federated transfer learning: challenges, methods and applications. Front. Comput. Sci., 2024, 18(6): 186356
阅读原文：
文章概述
联邦学习（FL）已成为一种有前景的协作模型训练方法，同时保护数据隐私。然而，传统的FL方法面临着重大挑战，如数据异构性、系统异构性和标记数据稀缺性。为了解决这些问题，融合了迁移学习（TL）到FL中的联邦迁移学习（FTL）已经获得了研究人员的广泛关注。本文提供了FTL全面性的综述，包括挑战、方法和应用。
技术步骤
该综述通过首先定义FTL中的挑战，包括数据异构FTL、动态异构FTL、模型自适应FTL、半监督FTL和监督FTL，提供了FTL的全面概述。作者随后将现有的FTL解决方案分类为基于数据的策略和基于模型的策略。综述还讨论了FTL由于FL的隐私保护特性和参与者间的持续知识共享而面临的独特挑战。作者进一步概述了常见的场景设置方法和常见数据集，同时阐述了相关应用和未来发展方向。
实验结果
该综述对联邦迁移学习（FTL）领域做出了几项显著贡献。首先，它提供了FTL的首个系统性和全面性评述，给出了清晰的定义、分类以及FTL面临的挑战。其次，作者详尽地总结了现有的FTL解决方案，并且涉及了动机、核心算法、模型设计机制以及通信架构等多个方面。最后，作者整理了一份现有FTL研究表格，使得研究人员能更容易地了解该领域的现状。
相关内容推荐：
文章精要 | 北京航空航天大学王薇教授团队：基于区块链和联邦学习的物联网流量入侵检测算法 2024 18(5)：185328
文章精要 | 广州大学刘文斌教授团队：FedDAA：一种鲁棒联邦学习框架用于保护隐私和防御对抗攻击 2024 18(2)：182307
CCF 推荐B类期刊；
SCI、Ei等收录；
中国科技期刊卓越行动计划梯队类期刊。
IF 3.4
高等教育出版社 北京航空航天大学
共同主办
《前沿》系列英文学术期刊
由教育部主管、高等教育出版社主办的《前沿》（Frontiers）系列英文学术期刊，于2006年正式创刊，以网络版和印刷版向全球发行。系列期刊包括基础科学、生命科学、工程技术和人文社会科学四个主题，是我国覆盖学科最广泛的英文学术期刊群，其中12种被SCI收录，其他也被A&HCI、Ei、MEDLINE或相应学科国际权威检索系统收录，具有一定的国际学术影响力。系列期刊采用在线优先出版方式，保证文章以最快速度发表。
《前沿》系列英文学术期刊 中国学术前沿期刊网 http://journal.hep.com.cn/ |
