联邦学习作为新兴的分布式机器学习框架，能够在保护数据隐私、满足合法合规要求的前提下，让多参与方或多计算结点之间在不共享原始数据的基础上联合进行高效的模型训练，可初步缓解智能移动设备中数据隐私与数据孤岛等问题。

　　在联邦学习训练过程中，由于移动端设备通信资源有限会造成云端通信连接不可靠，从而产生大量掉队设备影响模型收敛速度；由于传感器故障、网络传输中通信错误、节点恶意攻击等均会导致移动设备上传梯度异常进而严重影响联邦模型决策性能。因此，如何增强联邦学习框架通信鲁棒性是本项目的重要挑战。

　　已完成的工作：

• 基于半监督在线联邦学习的用户行为识别机制

　　正在进行的工作：

• 混合式联邦训练策略

• 基于自适应聚类的个性化联邦学习机制研究

（项目负责人：张啸）