主  题：带有差分隐私的联邦迁移学习

主讲人：纽约大学冯阳教授

主持人：统计与数据科学学院陈雪蓉教授

时间：2025年9月25日（周四）上午9：30-10：30

地点：腾讯会议：734-410-081

主办单位：统计与数据科学学院和统计研究中心 科研处

主讲人简介：

冯阳, 现任纽约大学全球公共卫生学院生物统计学教授，并兼任数据科学中心教授。他于2010年获得普林斯顿大学运筹学博士学位。

冯教授的研究聚焦于机器学习、高维统计、网络模型与非参数统计的理论及方法，并广泛应用于阿尔茨海默病预后、癌症分型、基因组学及生物医学影像等领域，致力于推动精准风险评估与临床决策。其研究成果发表于统计学、机器学习、计量经济学、公共卫生及医学领域的顶级期刊，并获得了美国国立卫生研究院（NIH）与美国国家科学基金会（NSF）的持续资助，其中包括著名的NSF CAREER奖。

目前，他担任多家国际知名期刊的副主编，包括《美国统计协会杂志》（JASA）、《商业与经济统计学杂志》（JBES）、《计算与图形统计学杂志》（JCGS）以及《应用统计年刊》（AoAS）。此外，他将于2026-2028年担任JASA与《美国统计学家》（TAS）的评论主编。他是美国统计学会（ASA）和数理统计学会（IMS）会士，以及国际统计学会（ISI）的当选成员。

内容提要：

联邦学习已成为分析分布式数据的有力框架，但仍存在两个关键挑战：不同站点之间的异质性以及本地数据的隐私保护。在本研究中，我们在联邦迁移学习框架下同时应对这两个挑战，旨在在满足隐私约束的前提下，通过利用多个异质源数据集的信息来提升目标数据集上的学习效果。我们严格形式化了联邦差分隐私的概念，该概念在不依赖可信中央服务器的情况下，为每个数据集提供隐私保障。在这一隐私模型下，我们研究了三个经典统计问题：单变量均值估计、低维线性回归和高维线性回归。通过考察 minimax 收敛率并量化隐私代价，我们表明联邦差分隐私是一种介于成熟的本地差分隐私模型和中心化差分隐私模型之间的中间隐私模式。我们的分析同时考虑了数据异质性与隐私保护，揭示了每一因素所带来的根本代价，以及知识迁移在联邦学习中的潜在收益。

初审：杨森慧

       复审：兰伟  邹先云

终审：董   春