我有幸参与 ACM MM 2025学术会议。该会议以多媒体技术与应用的前沿探索为核心，覆盖多媒体内容分析、计算机视觉融合、多媒体安全防护、跨模态交互等关键方向，为全球科研人员、技术开发者及行业专家搭建了高端交流桥梁。会议聚焦多媒体领域的技术突破、核心挑战与创新解决方案，参会者可通过主题报告、专题研讨及产业对接等形式，深化学术协作与知识共享，推动多媒体技术从理论研究向实际应用转化，既是引领领域发展的核心平台，也为科研人员提供了分享最新研究成果、拓展学术视野的宝贵契机。 我的论文题为《FeatShield: Isolating Malicious Feature Extractors for Backdoor-Robust Federated Learning》（FeatShield：隔离恶意特征提取器以实现后门鲁棒联邦学习）。鉴于联邦学习技术在多媒体数据协同训练（如跨设备图像识别、分布式视频分析）中的广泛应用，而当前联邦学习系统仍面临恶意参数更新引发的后门攻击风险，现有防御手段要么受限于同质化数据假设（难以适配多媒体数据分布不均的实际场景），要么过度依赖梯度异常检测（对隐蔽性攻击识别效果有限）。针对这一问题，提出了一种针对联邦学习后门攻击的特征空间隔离框架FeatShield，通过干净客户端数据训练非聚合本地提取器防后门传播，从源头阻断后门传播；该框架创新性引入两大核心机制：一是方差感知对齐，利用局部方差指标自适应平衡客户端特定特征（适配多媒体异构数据）与全局特征一致性，二是对抗性特征合成，借助生成对抗网络（GAN）生成非线性合成特征，增强全局预测头在多媒体核心任务中的泛化能力。为验证框架有效性，在八个真实数据集（含多媒体相关数据集）上开展实验，结果显示FeatShield的防御准确率稳定在99.26%-99.89%，主任务准确率较FedAvg提升1.32%-5.70%，充分证明其在保障联邦学习安全的同时，能兼顾多媒体任务性能。 会议期间，我全程参与了学术报告与相关技术论坛，与多媒体领域及联邦学习安全方向的学者展开深度交流，不仅进一步明晰了跨领域技术融合的前沿动态，也对联邦学习在多媒体场景中的安全应用有了更深入的认知。此外，我还与行业内专家建立了学术联系，分享FeatShield的研究细节，收获了关于技术优化方向、实际场景落地等方面的宝贵建议。 此次参与ACM MM会议，是我学术道路上的重要里程碑。它不仅为我提供了一个宝贵的学术交流平台，也让我能近距离接触多媒体与安全交叉领域的最新研究成果。此外，也将促进我未来在这一领域的研究继续快速发展，助力更多应用场景的创新。 该团组已进行事后公示。 （领队签字） |
