近日，人工智能与机器学习领域的国际顶级学术会议NeurIPS（Annual Conference on Neural Information Processing Systems）公布了录用结果。我校计算机学院鲁剑锋教授团队完成的高水平研究论文《MainFL: Intertemporal Data Valuation for Robust Auction-based Federated Learning》被该会议正式录用。该成果是我校在分布式学习、数据要素市场化估值及可信激励机制设计领域取得的又一重要突破。博士生潘邦祺为论文第一作者，鲁剑锋教授为论文通讯作者，我校为论文第一完成单位。

当前，联邦学习已成为协调去中心化数据协同训练的主流市场范式，但参与方数据质量的不确定性与设备时延异构性显著制约了资源配置效率与模型收敛性能。针对现有研究大多割裂数据事前估值、事后声誉评估与物理时延约束，无法有效应对冷启动定价缺失、评价策略性扭曲以及超时算力浪费等耦合难题，鲁剑锋教授团队构建了兼顾激励相容与物理可行性的跨期数据估值与分配统一机制，将无真实标签的互信息对等预测、动态可靠性跨期校准与截止时间诱导的分层决胜拍卖创新性地纳入模型体系进行系统性设计与协同优化。

该研究证实，在缺乏先验真值标签的冷启动场景下，基于逐点互信息设计的对等预测机制能够内生诱导数据所有者如实汇报数据质量，并通过拍卖收益全额自筹实现预算自封闭；而在多轮次跨期交互情境下，贝叶斯平滑的可靠性校准能有效破除需求方的主观策略操纵，实现数据真实价值的动态精准映射；同时，利用模型规模与节点算力时延的解耦特性构建的分层决胜拍卖，从机制结构上严格保障了容量、预算与任务截止时间的多重可行性。相关结论打通了算法博弈论、数据要素资产化与分布式学习优化的交叉研究脉络，为构建安全可信、高能效的联邦数据要素流通市场提供了坚实的理论支撑与量化机制设计思路。

据悉，NeurIPS是全球人工智能与机器学习领域最具影响力的顶级旗舰会议之一，与ICML、ICLR并列为人工智能领域公认的‌三大顶级学术会议，并被中国计算机学会（CCF）列为A类国际学术会议。该成果的录用，充分彰显了我校在边缘智能、联邦学习与博弈论交叉研究领域的学术创新活力与科研实力。计算机科学与技术学院将继续聚焦国家数据要素资产化与安全可信人工智能重大战略需求，深入推进高水平原创性研究与国际化创新人才培养。