近日,山东大学软件学院余国先教授团队在可信人工智能领域取得系列新进展,三项研究成果分别被人工智能领域顶级期刊 IEEE Transactions on Pattern Analysis and Machine Intelligence(中科院一区Top期刊,IF = 20.4,CCF A类)、多媒体领域国际权威期刊 IEEE Transactions on Multimedia(中科院一区Top期刊,IF = 9.9,CCF A类)和移动计算领域顶级期刊 IEEE Transactions on Mobile Computing(中科院一区Top期刊,IF = 8.8,CCF A类)录用。软件学院博士研究生赵云峰为上述论文第一作者,余国先教授为通讯作者。该研究工作得到了国家重点研发计划国合重点项目、国家自然科学基金重点项目、国家级青年人才计划和山东省创新发展联合基金等项目的支持。三项研究面向真实联邦学习环境中的复杂异构性,分别聚焦跨域联邦提示学习中的语义干扰、异构联邦提示结构失配,以及个性化联邦学习中的客户端贡献透明性,为构建高效、安全的多方协同智能系统提供了新的研究思路。
随着大规模视觉—语言模型的广泛应用,联邦提示学习通过仅优化和传输少量提示参数,为大模型在分布式隐私场景中的高效适配提供了重要手段。团队发现在同时存在域异构和模型异构的跨域场景中,存在跨域提示干扰(Cross-domain Prompt Interference)现象,即来自不同域的提示在语义空间中呈现明显分离,跨域客户端的梯度方向一致性较低,简单全局平均可能导致性能下降。为此团队提出域感知联邦提示学习框架DaFPL,将客户端提示分解为域可迁移部分和域特定部分,引入轻量级域判别器约束两类提示的功能角色,并设计域感知聚合策略,实现跨域知识共享的同时减少语义冲突。在多个跨域视觉数据集上的实验表明,DaFPL在不同数据分布和客户端规模设置下均取得稳定优势,并保持较低的通信和计算开销。

图1 DaFPL总体框架
现有联邦提示学习方法通常假设各客户端提示数量一致,但真实场景下提示长度存在差异,易造成结构失配,使常规聚合难以实施。为此,团队提出联邦提示对齐与动态聚合方法FedPADA,将每个提示视为独立单元进行细粒度聚合;通过共享空间中的提示对齐缓解语义不一致,利用门控机制抑制不可靠匹配,并综合跨客户端提示关系及可靠性进行动态聚合,生成各客户端的个性化提示。理论分析和实验表明,FedPADA在不同异构设置下均表现出有效性,实现了异构提示间的可靠知识共享与个性化聚合。

图2FedPADA总体框架
现有联邦学习方法对不同客户端在协作过程中“谁帮助了谁、帮助了多少”缺乏清晰刻画,团队提出可动态量化客户端贡献的个性化联邦学习方法pFedTIC。该方法构建服务器端与客户端双层个性化聚合机制,综合模型参数与学习表示相似性、数据规模、模型性能和历史贡献关系,为不同客户端生成个性化聚合模型;同时利用聚合权重动态估计有向客户端贡献矩阵,并将贡献信息反馈至后续聚合过程,形成贡献建模与个性化聚合相互促进的闭环。理论分析和实验表明,pFedTIC在提升个性化学习性能的同时,能够有效揭示客户端间的协作关系,为可解释透明的联邦学习提供了新的技术路径。

图3pFedTIC总体框架
近年来,余国先教授团队围绕可信可解释人工智能开展理论与应用研究,在个性化联邦学习(pFedFSL,IEEE TNNLS 2024;pFedPANO,SCIS 2025)、联邦众包(iFedCrowd,AAAI2023;FedTA,IEEE TDSC 2024;FedCS,ICDE2024)、联邦系统安全与智能推荐(Sophon,IEEE TDSC 2025;PubPara,ACM TOIS 2026;FedSC, ACM TOIS 2026)、联邦多模态提示学习(DaFPL,IEEE TPAMI2026;FedPADA,IEEE TMM2026; pFedTIC, IEEE TMC 2026;FedAPP, PR 2026)、可解释与公平智能决策(CF-ICG,AAAI2026;MultiCFL,IEEE TKDE 2025;CFairMD,IEEE TKDE 2026)等方向开展了系列研究,持续推进安全可信人工智能在复杂真实场景下的理论方法与应用研究。
(文/图:余国先 责任编辑:葛春鹏)