張哲誠老師指導吳柏廷、郭兆威、王崇宇、黃堉鈞、吳昱霖獲最佳論文獎

 

本篇論文題目為「Addressing Non-Independent and Identically Distributed Data in Federated Learning via Adaptive Server Aggregation」,主要探討聯邦學習(Federated Learning)能讓多個裝置在不上傳原始資料的情況下共同訓練模型,兼顧隱私保護與系統擴展性;然而在實際應用中,各裝置的資料分布往往並不一致(非獨立同分布,non-IID),例如:不同使用者擁有的資料類別比例差異很大,甚至缺少某些類別,使得傳統聚合方法收斂緩慢、全域模型準確率下降。因此,本文提出一種伺服器端聚合演算法CrossMix,在每一輪訓練中將各用戶端模型與全域模型混合,再隨機重新分配給不同用戶端繼續訓練,讓模型能輪流學習多個用戶端的資料,且不需額外通訊成本,也不必存取用戶端的原始資料。實驗結果顯示,在高度非獨立同分布的MNIST資料集上,CrossMix經過200輪訓練後達到95.5%的測試準確率,明顯優於FedAvg的87.6%及其他比較方法,收斂速度也最快,是兼具輕量化與隱私保護的實用解決方案。

本屆會議「8th Eurasia Conference on IoT, Communication and Engineering 2026」於2026年11月13日至15日在雲林舉行,來自各地的研究人員齊聚一堂,交流物聯網、通訊與工程領域的最新研究成果,我們也很高興能在會議中與大家分享這項研究的成果與心得。