IEEE/ACM IWQoS会议 (International Symposium on Quality of Service) 于6月19日- 6 月21日在香港科技大学（广州）举行，太阳集团tcy8722常姗教授团队针对联邦学习本地化差分隐私技术的最新研究成果“Fed-CAD: Federated Learning with Correlation-aware Local differential privacy”获得本次会议的唯一最佳学生论文奖（Best Student Paper Award）。

IWQoS会议是IEEE和ACM联合主办的计算机网络领域的著名学术会议之一（CCF-B）。自1993年创办以来，IWQoS就一直作为分享网络服务质量相关前沿工作的学术平台，备受海内外学者的关注，在国内外享有较高的声誉和广泛的影响力。IWQoS 2024今年共收到投稿326篇，总共录用81篇，录用率为24.8%。

 随着物联网和大数据的飞速发展，人类的生产和生活产生了海量数据。然而，涉及个人数据隐私保护的法律法规的实施，对这些数据的使用形式与范围施加了限制。联邦学习作为一种新型的分布式学习范式被提出，允许多个参与者能够协作训练一个全局模型，而无需显式的数据共享。尽管如此，已有研究表明，在联邦学习过程中发布的本地模型更新也可能泄露参与者的隐私，对联邦学习的隐私安全提出了新的挑战。

 硕士生朱冰竹在常姗教授的指导下，提出了面向联邦学习的相关性感知自适应本地化差分隐私框架，称为Fed-CAD。研究工作通过对联邦学习框架中同一参与方连续轮次之间提交的模型更新的相关性进行分析，发现了通过利用连续轮次模型更新的相关性能够在不改变现有隐私保护水平的前提下降低引入的噪音方差，提高模型的效用。研究结果表明，相比于现有的本地化差分隐私联邦学习框架，Fed-CAD能够在不同隐私开销、数据个性化分布等多应用场景中显著提升全局模型性能。