IEEE Transactions on Systems, Man, and Cybernetics: Systems（IEEE TSMC）是国际电气与电子工程师协会（IEEE）系统、人与控制论学会（Systems, Man, and Cybernetics Society）的旗舰期刊，专注于系统工程、人工智能及控制论等交叉学科领域，致力于领域内具有开创性的理论、方法与应用研究成果，是中国科学院期刊分区表的一区TOP期刊。

论文题目：EPFL: Toward Elastic Personalized Federated Learning With Seamless Client Joining and Quitting

第一作者：刘原歌（2024级硕士研究生）

收录期刊：IEEE Transactions on Systems, Man, and Cybernetics: Systems (一区TOP) DOI:10.1109/TSMC.2025.3613624

指导教师：张卫山

论文概述：个性化联邦学习（Personalized Federated Learning，PFL）是一种针对数据特征定制全局模型的有效方法。然而，在实际部署中，节点参与的动态性（节点可以随意加入或退出）给PFL系统带来了重大挑战。本文提出EPFL，一种弹性PFL框架，在保留模型性能的同时，允许动态的节点参与。该框架解决了两个基本挑战：(1)为新加入的未标记节点无缝生成个性化模型，以及(2)为退出节点实现高效和精确的多粒度遗忘学习。为应对这些挑战，利用超网络进行特定于节点的模型生成，并引入一种新的节点嵌入正则化，以增强新加入节点的泛化能力。设计了一种对抗性净化机制，分别在节点、样本和类级别实现高效的多粒度遗忘学习。本文提供了理论分析，建立了新加入节点的泛化界限和遗忘过程的收敛保证。实验结果表明，EPFL在精度和泛化能力方面均优于现有的PFL方法。通过后门触发实验，EPFL实现了与重训练相媲美的遗忘效果和准确度，同时只需要现有方法的3-10%的计算时间。