近日，由我院数据安全与隐私保护团队胡滢博士等人完成的一篇关于联邦进化特征选择的研究成果“Joint surrogate-assisted federated evolutionary feature selection algorithm”被国际人工智能与信息系统领域高水平期刊《Knowledge-Based Systems》（中科院SCI一区Top期刊，最新影响因子8.0）录用，标志着我院在人工智能与机器学习领域的研究成果获得国际同行认可。胡滢博士为论文第一作者，安徽师范大学为第一完成单位。

  数据隐私安全与联合建模是当前人工智能领域的重要研究方向。在分布式机器学习框架中，特征选择是提升模型训练效率、降低数据维度、增强泛化性能的关键手段。然而，在联邦学习场景下，传统进化特征选择算法由于需要在全局高维特征空间中进行频繁迭代、训练和评估，面临着模型评估开销大、分布式通信成本高等问题。针对这一挑战，胡滢博士及其合作团队提出了一种联合代理模型辅助的联邦进化特征选择框架（Joint Surrogate-assisted federated evolutionary feature selection algorithm, SaFEFS）。该框架通过设计分布式代理模型协同管理机制，在保护各参与方数据隐私的前提下，有效替代联邦环境中耗时的真实模型训练与评估过程。该方法不仅在理论上确保了特征选择的最终性能以及各参与节点的数据隐私安全性，更在多个公开基准数据集上展现出了较快的收敛速度，降低了联邦训练过程中的通信频次，显著缓解了计算负担，为大规模高维数据的隐私保护与高效特征选择提供了一种有效的解决方案。