近日，我校陶铭教授负责的物联网系统及应用团队与Dusit Niyato (IEEE/IET Fellow)以及Schahram Dustdar（欧洲科学院院士、IEEE/AAIA Fellow）合作在计算机网络领域顶级国际期刊《IEEE Transactions on Mobile Computing》（中科院一区、中国计算机学会A类期刊）发表了工业物联网中基于半异步联邦学习的数字孪生构建/更新方面的研究成果《EDT-SaFL: Semi-Asynchronous Federated Learning for Edge Digital Twin in Industrial Internet-of-Things》。东莞理工学院计算机科学与技术学院（网络空间安全学院）为论文第一署名单位，团队项目负责人陶铭教授为第一作者。
在边缘智能范式下，依托数字孪生（DT）的虚实协同优势，数字孪生边缘网络（DITEN）已广泛应用于工业物联网（IIoT）场景支持等效模型训练，从而在不干扰实际生产运行的前提下，实现经济高效的执行。本文聚焦IIoT中数字孪生构建/更新问题。在DT模型训练过程中，由于对工业终端异构的计算与通信能力考量不足，导致DT模型在全生命周期内面临训练成本与损失失衡的问题，这既制约了对复杂动态生产场景的快速响应能力，也难以保障虚实空间的数据一致性。为此，定义了带约束的全局损失最小化问题，并提出了一种基于半异步联邦学习的解决方案：EDT-SaFL。通过综合考虑异构资源的协同利用，以及本地数据数量和质量对全局模型更新的贡献，该方案主要设计了三个核心操作：面向模型训练的终端选择机制、本地训练迭代的自适应策略，以及半异步全局聚合方法。进一步地，团队分析了算法收敛性、复杂性和通信开销。相关研究成果可广泛应用于工业物联网等复杂动态场景，为智能工业系统的高效运行提供技术支撑。
论文链接：https://ieeexplore.ieee.org/document/11108712
（撰稿：廖玲玲，一审：陶铭，二审：尹华勤，三审：李长平）
