一、成果简介
湖南工商大学大学党委书记、湘江实验室主任、中国工程院院士陈晓红教授，在期刊《IEEE Transactions on Neural Networks and Learning Systems》（影响因子：10.2）上发表了题为“Multicenter Hierarchical Federated Learning With Fault-Tolerance Mechanisms for Resilient Edge Computing Networks”的文章。
二、研究亮点
本研究提出了一种创新的多中心分层联邦学习（MCHFL）框架，突破了传统双层架构对中心服务器的高度依赖，解决了设备和服务器故障时可能导致的通信和安全问题。与现有的端—边—云分层联邦学习模型（HFL）相比，MCHFL通过在边缘部署多个全局聚合中心，显著增强了系统的容错能力，尤其在边缘网络中断时仍能保持高效运行。同时，通过MNIST、FashionMNIST和CIFAR-10数据集进行的广泛实验表明，MCHFL在面对高达50%的故障率时，精度下降幅度仅为2.60%、5.12%和16.73%，远优于传统单中心模型在类似条件下的表现。此外，MCHFL不仅具有更高的准确性和更快的收敛速度，还展现出更强的鲁棒性，标志着边缘多中心联邦学习的开创性突破。
图1 多中心分层联邦学习框架示意图
三、完成人简介
陈晓红，第一作者，湖南工商大学大学党委书记、湘江实验室主任、中国工程院院士，研究兴趣为数据决策、人工智能；
许冠英，第二作者，中南大学商学院博士研究生（陈晓红院士博士生），研究兴趣为联邦学习、边缘计算；
徐雪松，通讯作者，湖南工商大学人工智能与先进计算学院执行院长，教授，博士生导师，研究兴趣为物联网、分布式计算
附：成果链接
https://ieeexplore.ieee.org/document/10483107