2025年12月25日，广州大学网络空间安全学院“方滨兴院士班”（方班）2025级的学子们齐聚广州大学黄埔校区B1栋109报告厅，迎来了本学期的第四十二期方班前沿秀。本次报告邀请到了国家特聘专家、华南理工大学计算机科学与工程学院院长、欧洲科学院院士陈俊龙教授作为主讲嘉宾，报告题为“基于宽度学习的隐私保护分布式学习方法”。陈教授以深厚的学术造诣与丰富的前沿案例，为同学们揭示了在隐私计算与分布式学习融合背景下，如何利用宽度学习系统打破传统深度学习的算力与通信瓶颈。

报告从“数字经济时代的数据要素与隐私挑战”切入，指出随着人工智能应用向边缘端下沉，数据孤岛现象日益凸显，如何在保障数据隐私的前提下实现多方协同计算成为核心痛点。陈教授指出，当前主流的基于深度学习的联邦学习框架仍面临两类核心挑战：一方面，深度网络结构复杂，反向传播算法导致训练耗时且难以实时更新；另一方面，传统的联邦学习在客户端与服务器间传输大量梯度参数，带来了巨大的通信开销与潜在的隐私泄露风险 。由此，陈教授强调：面向未来的分布式智能，需要一种结构更扁平、更新更高效、通信更轻量的学习范式，而“宽度学习系统”正是解决这一问题的关键钥匙。

围绕“宽度学习是什么、为何高效、如何赋能隐私计算”三个维度，陈教授逐步展开论述。他引导同学们打破“神经网络必须深”的思维定势，介绍了BLS的核心理念——通过横向扩展“特征节点”与“增强节点”来替代纵向堆叠，将复杂的非线性优化问题转化为线性方程组AW=Y求解。报告中，陈教授将BLS的优势放在动态变化的物理场景中进行对比分析：从传统深度学习“牵一发而动全身”的重训练模式，走向以“增量学习”为核心的快速更新模式。其中，当新数据流入或模型精度不足时，BLS仅需计算新增节点的权重增量，无需重训整个网络，这被视为边缘智能与实时系统实现“秒级响应”的重要抓手。紧扣题目中的“隐私保护与分布式”，报告进一步给出了技术实现的具体框架：

• 通信高效： 利用BLS的轻量化特性重构联邦学习架构，通过传输压缩特征而非庞大模型，将通信效率提升了23至30倍；
• 隐私加密： 引入随机矩阵投影与特征分解机制，使得客户端上传的是经过加密映射的数据，服务器在无法还原原始数据的情况下即可完成聚合计算；
• 结构动态： 面对不同任务需求，模型可采用“堆叠式”或“增量式”结构，在保持隐私的同时实现模型能力的灵活扩展。

在实现路径上，陈教授结合团队多年的研究成果介绍了若干关键环节：其一是以特征映射与随机权重为核心，尝试把多源异构数据纳入统一的加密表示框架中，并提到利用广义逆矩阵理论实现快速求解 ；其二是强调增量学习与边缘计算的结合，即让边缘设备具备“边推理、边学习”的能力，支撑起自动驾驶、气象采集等场景下的实时模型更新 ；其三是算法与协议层面，报告提到基于交互式协议的加密方案，确保在多方协作中，各方数据在数学上互不可见，但能共同提升全局模型性能。陈教授也坦诚指出：虽然在通信效率与计算速度上优势明显，但关于“通信量减少与隐私泄露边界”的严格数学证明，以及在超大规模视觉大模型中的完全替代，仍需学界共同探索。

随后，陈教授对报告内容进行了回顾梳理，强调宽度学习的核心不只是“快”，更是“在受限资源下实现高效、安全的智能进化”。在报告的结尾，陈教授与方班同学们进行了深入交流，就同学们关心的“BLS在自动驾驶视觉SOTA算法中的落地”、“与Transformer架构的结合点”、“增量学习中新旧神经元的数学联系”以及“隐私保护的直观理解与理论证明”等问题逐一回应，现场讨论热烈。

陈教授总结了整个讲座内容，梳理了从传统深度学习瓶颈到宽度学习创新，再结合联邦学习解决隐私痛点的完整逻辑，并对未来在低功耗边缘智能与高安全隐私计算领域的应用提出了展望。陈教授精彩的讲解，赢得在座师生阵阵热烈的掌声。同学们表示，他们通过本次报告对宽度学习的数学原理、增量更新机制及其在隐私计算中的独特价值有了更系统的认识，也对面向边缘端的高效智能体发展方向产生了更深入的思考与期待。

第四十二期方班前沿秀报告圆满落幕。

整理：戴楠俊 叶哲

校对：殷丽华老师 王乐老师 鲁辉老师