科研成果转化为综合实践教学的探索与经验

科研成果的课程转化旨在丰富教学内容、提升教学质量,培育学生的科研意识与创新能力,对于高校在推动学科发展和社会进步方面发挥着关键作用,不仅能促进学科创新发展,还能为产业需求培养高质量科研人才,实现科研与教学的双赢。本文以华中科技大学“网络空间安全分级通关式综合实践课程体系”中的机器人与人工智能安全课程为例,深入讨论了将科研成果融入课堂和实验教学的策略,包括科研成果的选择、教学内容与方法的设计,以及科研成果和实验教学的结合方式。通过纳入科研成果到教学内容和实验项目中,课程有效提高了学生的专业知识和实践能力,激发了学生对前沿技术的兴趣,为未来学科课程建设提供了新的方向。

联邦学习在高度数据异构场景下的泛化鲁棒性增强

联邦学习(federated learning,FL)是一种以保护客户隐私数据为中心的分布式处理网络,为解决隐私泄露问题提供了前景良好的解决方案.然而,FL的一个主要困境是高度非独立同分布(non-independent and identically distributed,non-IID)的数据会导致全局模型性能很差.尽管相关研究已经探讨了这个问题,但本文发现当面对non-IID数据、不稳定的客户端参与以及深度模型时,现有方案和标准基线FedAvg相比,只有微弱的优势或甚至更差,因此严重阻碍了FL的隐私保护应用价值.为解决这个问题,本文提出了一种对non-IID数据鲁棒的优化方案:FedUp.该方案在保留FL隐私保护特点的前提下,进一步提升了全局模型的泛化鲁棒性.FedUp的核心思路是最小化全局经验损失函数的上限来保证模型具有低的泛化误差.大量仿真实验表明,FedUp显著优于现有方案,并对高度non-IID数据以及不稳定和大规模客户端的参与具有鲁棒性.