2026年6月6日,应学院邀请,首都经济贸易大学张宝学教授在西校区明理楼二楼会议室作了题为“A Locally Sequentially Reweighted Gradient Descent Estimator to Enhance Statistical Efficiency for Decentralized Federated Learning”的学术报告。报告会由汪凯副院长主持,学院部分教师和统计学专业研究生参加了此次报告会。
报告中,张宝学教授围绕去中心化联邦学习中的统计效率提升问题,系统介绍了局部序贯重加权梯度下降估计方法的研究背景、理论动机与技术路径。针对联邦学习中数据分散、样本异质性及通信受限等现实挑战,张教授深入阐述了该方法在提升估计精度、增强算法稳定性、优化统计效率等方面的优势,并围绕数值收敛与统计收敛等核心内容,清晰解读了相关理论成果与应用前景。
报告结束后,张宝学教授与在场师生就算法设计、理论证明、模型适用条件及后续研究方向等进行了深入交流。整场报告内容翔实、逻辑严谨、讲解深入浅出,使师生们对去中心化联邦学习与高维统计领域的前沿进展有了更深入的了解,也拓宽了大家在统计学习方法及应用研究方面的学术视野。

(撰稿/摄影:孙军;一审:胡玉乐;二审:崔连标;三审:夏万军)