文章总结： 四川大学张意教授团队在个性化联邦学习领域取得突破，其提出的FedVPL框架通过视觉原语共享与文本引导语义对齐，有效解决了数据异质性难题。该成果被WWW2026录用，实验显示其在Non-IID数据集上准确率提升5.62%，通信开销降低12.5倍，显著增强了模型泛化能力与个性化性能。 综合评分： 75 文章分类： AI安全,数据安全,解决方案

四川大学网络空间安全学院个性化联邦学习领域最新研究成果被WWW 2026接收

信息网络安全杂志

2026年2月14日 17:00 上海

近日，四川大学网络空间安全学院张意教授团队在个性化联邦学习领域取得了重要进展，研究成果《Beyond Class Boundaries: Federated Visual Primitive Sharing with Text-Guided Adaptation》成功被互联网领域的国际顶级会议The Web Conference 2026 (WWW 2026)接收。四川大学网络空间安全学院2024级博士生黄永强为第一作者，张意教授为通信作者，合作团队包括四川大学网络空间安全学院与计算机学院，其中网络空间安全学院为该成果的第一单位。

联邦学习作为一种分布式机器学习方法，广泛应用于数据隐私保护场景。然而，传统的联邦学习方法在面对数据异质性时，常常难以平衡全局模型和个性化模型之间的关系。为了解决这一问题，张意教授团队提出了FedVPL框架，该框架通过解构传统的类别级特征表示，并采用视觉原语空间共享，显著提高了联邦学习中的特征多样性和共享效率。通过文本引导的语义对齐，该方法进一步确保了个性化适应，同时避免了额外的通信开销。实验结果表明，FedVPL在多个非独立同分布（Non-IID）数据集上的表现显著优于现有方法，准确率提高了5.62%，同时减少了12.5倍的通信开销，显著提升了个性化性能和模型的泛化能力。

The Web Conference（WWW）是互联网领域的顶级国际会议之一，也是中国计算机学会（CCF）推荐的A类会议。WWW 2026共收到3370篇有效投稿，最终录用676篇，录用率为20.1%。张意教授团队的论文在激烈的同行评审中脱颖而出，充分体现了四川大学网络空间安全学院在该领域的持续创新和学术影响力。

来源：四川大学网络空间安全学院

推荐阅读

论文从被拒到被接收、引用量猛涨！西安交通大学、中国科学技术大学、南京理工大学青年学者谈论文代码公开的利与弊

AI查重系统频“误判”，学生何时能自证清白？中山大学、东南大学网安学者揭露检测系统技术困局与出路

用AI“写”论文算作弊吗？中山大学、东南大学、兰州大学网安学院导师拆解“真创新”

网安领域论文审稿逻辑拆解与录用突围、质量提升全攻略：武汉大学、上海交通大学、华中科技大学、深圳大学顶会审稿及高录取专家系统打造

信息网络安全

《信息网络安全》创刊于2001年，是由公安部主管，公安部第三研究所、中国计算机学会主办，面向国内外公开发行的国内首批信息安全类期刊之一，于2015年成为中国科技核心期刊，2017年成为中国科学引文数据库来源期刊，2018年成为中文核心期刊，2022年入选CCF计算领域高质量科技期刊分级目录。

中文核心期刊

中国科技核心期刊

中国科学引文数据库来源期刊

CCF计算领域高质量科技期刊

我们在不断努力和完善中，期待您的关注和支持！

免责声明：

本文所载程序、技术方法仅面向合法合规的安全研究与教学场景，旨在提升网络安全防护能力，具有明确的技术研究属性。

任何单位或个人未经授权，将本文内容用于攻击、破坏等非法用途的，由此引发的全部法律责任、民事赔偿及连带责任，均由行为人独立承担，本站不承担任何连带责任。

本站内容均为技术交流与知识分享目的发布，若存在版权侵权或其他异议，请通过邮件联系处理，具体联系方式可点击页面上方的联系我。

本文转载自：信息网络安全杂志 《四川大学网络空间安全学院个性化联邦学习领域最新研究成果被WWW 2026接收》