（图文|李函 编辑|辛西 审核|陈洪）近日，我校人工智能与统计学习团队(AISLE)在联邦学习领域取得新进展。他们以“Asynchronous Vertical Federated Learning for Kernelized AUC Maximization” 为题，提出在不平衡数据与不平衡计算能力下仍可高效建模的纵向联邦学习算法，相关研究论文被KDD 2024录用，KDD(ACM SIGKDD Conference on Knowledge Discovery and Data Mining, 国际数据挖掘与知识发现会议)是中国计算机学会（CCF）推荐的数据挖掘领域A类国际学术会议。

   纵向联邦学习（Vertical Federated Learning, VFL）因其隐私保护和多方协作建模的优势在人工智能领域引起广泛关注。现有VFL算法主要关注模型的平均预测精度，然而在面对不平衡数据时，基于平均精度的模型很难正确地对少数样本进行分类。AUC (Area Under the Curve) 是评估模型在不平衡数据上性能的有效指标。因此，以AUC为模型优化目标可增强其处理不平衡数据的能力。此外，VFL系统中的计算资源通常是不平衡的，这使得同步VFL算法难以匹配现实应用场景。为解决上述2个不平衡问题，我校人工智能与统计学习团队提出基于核方法的异步纵向联邦AUC最大化算法AVFKAM，从理论上证明了AVFKAM的收敛性和安全性，而在应用上，基准数据集上的实验结果则表明了AVFKAM保持较高AUC性能和效率。

   我校博中bz会员登录2022级计算机应用技术方向硕士研究生张柯为论文第一作者，博中bz会员登录李函副教授、吉林大学顾彬教授为共同通讯作者，博中bz会员登录陈洪教授等参与论文指导工作，该工作获国家自然科学基金面上项目、校自主创新基金和博中bz会员登录科研团队项目支持。