近日，全球最负盛名的人工智能顶级国际学术会议NeurIPS 2025 公布了录用论文。我校计算机学院能源大数据智慧计算科研团队负责人杜海舟教授及其硕士生向怡然、蔡艺文撰写的长文论文《FedFree: Breaking Knowledge-sharing Barriers through Layer-wise Alignment in Heterogeneous Federated Learning》成功入选。这是该团队连续两年在人工智能顶级国际学术会议NeurIPS上发表分布式机器学习领域研究成果。

NeurIPS 全称 Annual Conference on Neural Information Processing Systems，与 ICML、ICLR 并称为人工智能领域“三大顶级会议”。该会议在中国计算机学会推荐会议列表中列为 A 类会议，在 CORE Conference Ranking 中被评为 A* 级别，其 H5-index 高达 330 以上，长期稳居全球人工智能与机器学习国际学术会议影响力之首。NeurIPS 的投稿数量和竞争激烈程度屡创新高，2025年在主会有效投稿量突破21575篇情况下，录用率不足 24.52%，体现出其极高的学术认可度与难度。本次成果的入选，不仅代表了团队在异构分布式机器学习研究方向上的重要进展，也标志着我校在人工智能领域的国际影响力实现了新跨越。

论文针对异构分布式机器学习（Heterogeneous Federated Learning, HtFL）中的异构模型难以聚合收敛的核心瓶颈展开研究。现有方法往往依赖代理数据或模型压缩方法，容易带来隐私风险与知识传递不完整的问题。为此，本文提出了新一代框架 FedFree，通过“逐层知识对齐”机制（layer-wise alignment），实现跨异构模型的数据无关知识共享。具体而言，FedFree 设计了反向逐层知识迁移（reverse layer-wise transfer）与知识增益熵（Knowledge Gain Entropy, KGE），在保证隐私安全的前提下，有效缓解了细粒度知识丢失问题。理论分析与实验结果均表明，FedFree 不仅实现了严格的收敛性保证，而且在计算机视觉典型数据集上显著优于现有方法，最高精度提升超过46%，展示了强大的性能提升。

图1. FedFree框架整体架构概览

这一研究成果对于未来的应用场景具有广阔前景。在边缘计算场景中，FedFree框架能够提升异构设备间的协同建模能力；在自动驾驶与车联网中，该框架可增强多车型、异构传感器间的联合学习鲁棒性；在大模型训练应用场景中，该框架可以实现有效的大小模型协同训练效果，加速整体大模型的训练效果，在无人机群协作及电力系统巡检等领域，FedFree框架的数据无关与隐私保护特性能够保障模型高效、安全地训练。长远来看，该框架为构建面向大模型时代的高效、安全、普适的分布式智能系统提供了新路径。

能源大数据智慧计算团队围绕以人工智能为核心，在分布式机器学习、多模态和语言大模型、自然语言处理、知识图谱等关键领域进行持续深耕，并已形成一系列高水平成果。近年来，团队已有多篇高质量论文被NeurIPS、AAAI、ECAI、ECML、CIKM、ICSOC 等国际顶级学术会议录用。展现了持续向国际顶尖科研前沿迈进的坚实步伐。团队连续两年论文入选 NeurIPS人工智能顶级国际学术会议，不仅是对团队长期科研工作的高度肯定，更为我校人工智能与分布式学习方向的发展注入了新的动力。未来，团队将继续聚焦科研前沿，致力于产出更多兼具顶尖学术水平与重要现实意义的研究成果。

计算机科学与技术学院 供稿