近日，我院苏丽娜老师的最新研究成果《Fair client selection for multi-task federated learning in mobile edge networks》发表在信息系统领域国际顶级期刊《Information Processing and Management》（IPM）。该论文是我院首次在该国际期刊发表学术论文 。该论文第一作者为我院苏丽娜老师，其余作者包括武汉大学刘进教授及澳大利亚迪肯大学（Deakin University）刘晓教授。

《Information Processing and Management》（IPM）是爱思唯尔（Elsevier）旗下的国际权威期刊，主要关注计算机科学及信息系统等领域的前沿研究。该期刊属于中科院一区TOP期刊及CCF-B类期刊，具有极高的学术影响力。

联邦学习（Federated Learning，FL）作为一种能够在保护隐私的同时实现分布式机器学习的范式，受到了广泛关注。然而，在实际应用场景中，边缘设备往往需要同时处理多个学习任务（如图像识别、语音识别等），这导致了不同任务间对有限计算资源的剧烈竞争。传统的客户选择方法大多假设单任务场景或预知设备状态，难以应对真实环境下客户状态的动态波动、任务异构性以及长期存在的选择公平性问题。

针对上述问题，论文提出了一种新的在线客户选择算法MTC（Multi-task Client selection）。该方法将客户选择过程建模为多智能体多臂老虎机问题，并引入比例公平机制，在保证训练效率的同时提升客户参与的公平性。算法通过探索、映射、利用和随机舍入四个阶段，实现对客户性能的动态学习和资源的合理分配。

实验结果表明，在 MNIST、Fashion-MNIST 和 CIFAR-10 等真实数据集上，该方法在模型准确率和公平性方面均优于现有方法。该研究成果为移动边缘网络中多任务并行训练的资源调度提供了全新的理论视角与实践指南，对智慧医疗、智能交通等隐私敏感型应用具有重要的实际价值。

论文信息： L. Su, J. Guo, J. Liu and X. Liu, "Fair client selection for multi-task federated learning in mobile edge networks," in Information Processing and Management, 2026. DOI: 10.1016/j.ipm.2026.104748。