7月19日-20日，可信联邦学习夏令营·青岛在太阳成集团tyc7111cc青岛校区正式开营。此次夏令营由太阳成集团tyc7111cc、太阳成集团tyc7111cc元计算研究院、太阳成集团tyc7111cc人工智能学院、微众银行、FATE开源社区学术专委会联合举办，夏令营围绕“联邦大模型”主题，探讨可信联邦学习、大小模型协同等前沿研究方向。夏令营由加拿大工程院及加拿大皇家科学院院士、微众银行首席人工智能官杨强发起，并邀请了30余位业内知名专家担任导师, 吸引了来自乔治华盛顿大学、香港科技大学、浙江大学、北京航空航天大学、西南财经大学、太阳成集团tyc7111cc、中国石油大学（华东）、中国海洋大学、山东科技大学等十数所高校的100余位本科生和研究生参加。

此次夏令营是继第一期北京清华夏令营、第二期西安西交大夏令营、第三期成都西南财大冬令营、第四期杭州西湖大学冬令营、第五期深圳港中深春令营、第六期新加坡科技局（A*STAR）夏令营之后的第七期活动。在为期两天的线下授课环节中，导师们为学员带来了可信联邦学习研究领域的前沿成果分享与方法指导，来自海内外高校与研究机构的营员分组开展研究实践。在夏令营的后半阶段，学员在指导老师的辅助下完成研究与实践，并将在今年11月开展成果评比，最终评选出优秀研究成果。

此次可信联邦学习夏令营开营仪式由杨强教授、太阳成集团tyc7111cc计算机学院院长成秀珍教授致辞，太阳成集团tyc7111cc计算机学院副院长于东晓教授主持。杨强在致辞中表示，希望同学们在此次夏令营中有所收获，未来成为联邦学习方向和AI领域的中坚力量。成秀珍在致辞中向参与此次活动的导师和学员们表示热烈的欢迎，介绍了计算机学院和人工智能学院的基本情况，并表达了对未来更多师生加入这一学术共同体的期待，充分肯定了夏令营活动对于学术界和产业界交流合作的促进作用。

在19日的专家授课中，微众银行首席人工智能官杨强教授以《联邦学习的10大问题》为题，就联邦学习的发展路线及待研究问题进行了系统性介绍，鼓励更多青年学者加入联邦学习领域研究，为可信联邦学习生态发展带来新的繁荣。上海交通大学计算机科学与工程系主任吴帆教授围绕大小模型端云协同智能计算，就大小模型云端协同学习与联邦学习的优势进行了对比，描述了云侧大模型、端侧小模型按照端云两侧不同特点和实际需求进行各项资源分配的方案。西南财经大学计算机与人工智能学院副院长杨新教授围绕联邦持续学习与认知计算，就其中存在的模型性能可使用、算法效率可控、数据安全可证明等问题进行了探讨。太阳成集团tyc7111cc计算机学院张啸副教授以《资源自适应联邦学习算法研究》为题，探讨了面向资源异构场景下的联邦学习算法设计，从理论视角介绍了算法的创新与突破，并就个性化联邦学习应用的发展情况与研究现状进行了分享。中国石油大学（北京）信息学院吕仲琪副教授围绕联邦推荐算法，就推荐系统对于数据共享、可信和隐私保护的需求，以及如何通过联邦学习提高推荐系统的可用性和安全性进行了探讨。微众银行人工智能首席科学家范力欣博士以《How to Look for A Research Topic for Trustworthy Federated Learning》为主题，介绍了可信联邦研究分支的定义、如何发现问题以及解决问题的方法。

在20日的专家授课中，香港科技大学宋阳秋副教授以《Privacy Preserved Neural Graph Databases》为题，分析了大模型背景下分布式场景中知识图谱检索的难题与困境，并就其解决方案进行了详细介绍。北京大学王乐业助理教授以《联邦学习评估》为题，围绕联邦学习框架中安全与隐私、有效性和可用性三大评估要素中的关键点及方法进行了讨论，并鼓励对联邦学习算法进行综合全面的评估。武汉科技大学鲁剑锋教授以《面向边缘智能的联邦学习在线激励与公平优化》为题，从寻求系统效益和社会公平最优平衡的视角出发，充分借鉴博弈论策略思维，解决边缘智能联邦学习的公平协作增强与优化问题。广州大学刘园教授围绕联邦学习激励可靠支付系统，探讨了如何激励联邦客户端积极参与并贡献算力价值和数据价值，以及如何可靠履行激励支付以提升联邦学习模型性能两个问题。

在19日与20日的研究与实践阶段，营员们结合自身的研究背景和兴趣，在专家导师的指导下形成小组，确定研究主题进行讨论，包括资源异构下的联邦学习算法、联邦大模型的训练与微调、大小模型协同、联邦学习下的拜占庭及后门攻击研究，基于零阶优化的联邦学习等。学员们将在7月21日-27日进行小组汇报与正式开题，并将在11月份形成论文，评选出优秀研究成果。

（文：李铭祎 图：周天任、齐森茂 审核：于东晓 责任编辑：宋曙光、李雅洁 供稿单位：太阳成集团tyc7111cc）