[IEEE TPAMI 2026, IF 28.6] 祝贺石亮等同学论文被人工智能领域顶刊IEEE TPAMI（ 中科院 1区)录用！
点击次数：
发布时间：2026-05-26
发布时间：2026-05-26
文章标题：[IEEE TPAMI 2026, IF 28.6] 祝贺石亮等同学论文被人工智能领域顶刊IEEE TPAMI（ 中科院 1区)录用！
内容：
Privacy-preserving Online Federated Learning for Massive Infinite Streams（作者：Liang Shi、Xuebin Ren、Shusen Yang、Cong Zhao、Yijun Hao and Zongben Xu）。该工作聚焦于大规模无限数据流场景下的隐私保护在线联邦学习问题。在线联邦学习能够在数据不出本地的条件下实现多方协同建模，是智能医疗、个性化推荐、交通预测等持续数据分析任务的重要基础。然而，在无限时间尺度的模型交互中，其面临持续的隐私泄露累积、通信开销增大和模型效用下降等问题。针对这一基础性挑战，本论文首次提出面向无限数据流在线学习的窗口级差分隐私保护定义，并设计了基于深度强化学习的自适应三重采样算法 Sampling³-OFL。该方法从时间、客户端和模型参数三个维度协同减少通信与隐私噪声累积，通过动态选择聚合时间、参与客户端和上传参数维度，实现隐私保护、模型效用和通信效率之间的自适应平衡。该工作从理论上刻画了隐私噪声、通信压缩和在线学习误差之间的关系，证明了算法的regret上界在隐私约束下仍可达到渐近最优的
，并将隐私噪声方差由
降为
。实验结果表明，该工作适用于百万级数据流场景，模型效用最高提升16%，通信成本降低95%。该研究为大规模在线协同建模提供了可量化的隐私模型、可证明的理论基础和可扩展的算法路径，为构建真实动态环境中长期可靠、隐私可信、通信高效的协同建模平台提供重要支撑。
图1 Sampling3-OFL算法流程框架