KDD最佳论文奖首次独立颁给中国内地机构！达摩院开源工作获奖，面向联邦图学习(2)

对于这次拿下大奖，论文一作 王桢 说道，“开心是肯定的，感觉自己的工作得到了认可”。 通讯作者 李雅亮 则表示，因为看到了团队为此付出了多少努力，所以觉得这一切更像是一种水到渠成。 实际上，这项工作的筹备时间要从一年多以前算起。 当时，团队洞察到了隐私保护计算行业的发展趋势。作为技术人员，自然而然想到从工具入手，推动这股研究浪潮更快前进。 所以，FederatedScope被提上了日程，FS-G则是其中非常重要的部分之一。 前面也有提到，联邦图学习的工作可以满足应用场景中更为广泛的需求，但是复杂程度也更高。 刚好，王桢博士非常擅长图学习方面的研究。 引用量超过 2500次 的知识图谱补全算法TransH，正是他以一作身份完成的工作。 当时，他还正在 中山大学 数据科学与计算机学院攻读博士学位，通过微软亚研院联合培养项目，完成了这篇论文。 博士毕业后，王桢就加入了阿里巴巴，曾任阿里云高级算法工程师。 作为主要开发者，王桢参与了阿里机器学习平台PAI中A3gent强化学习组件的研发，并将其开源为EasyRL项目。 同期还参与了伯克利大学Ray RLLib项目共建，并被社区认可为项目committer。 之后，王桢加入达摩院，开始专注联邦图领域的研究。多次在KDD Cup比赛中取得高排名成绩，在ICLR、WWW等国际顶会发表多篇论文。 但即便有优秀学者坐镇，由于联邦图学习是一个十分前沿的领域，领域内一些基础性工作都还没有搭建完整，联邦图学习算法本身也会比普通联邦学习算法难，所以研发FS-G的难度并不小。 王桢提到，最初他们甚至连一个可用的数据集都没有。 加之，图数据相较于其他数据类型，在异质消息交换上会存在更多风险；联邦学习的每个参与者也会有更丰富的行为，去处理这些信息。 因此，研究团队需要在图联邦算法上使用一个与以往不同的编程范式，并设计方案使其在图联邦中发挥最大功效，这是有别于常规开发的。 这背后，都需要更多人力、时间的投入。 论文通讯作者 李雅亮 回忆，今年KDD论文提交的时间，刚好在大年初十。 当时整个团队都在兴奋地忙碌着论文的提交工作， 过年 几乎都没有休息。 而这些精力的投入，最终也在论文成果中得以显现。 可以看到，FS-G中包含了丰富的联邦图数据集和相应的模型与算法。并且让没有联邦学习背景的开发者，也能自如使用FS-G。 这为后续研究做了大量的基础性工作，可以说是为联邦图学习建立了 新基准 。 李雅亮在交谈中也表示，基础性工作的完成，能够吸引更多研究人员参与联邦图学习的研究。

我觉得，这是我们工作能够获得组委会认可的一大原因。 值得一提的，李雅亮作为本次成果的通讯作者，还曾负责FederatedScope的开源工作。 他现在是达摩院智能计算实验室的高级算法专家。 2017年从纽约州立大学布法罗分校博士毕业，研究领域覆盖数据融合、因果推断、自动机器学习、隐私保护计算等领域。 曾担任NeurIPS’21、NeurIPS’21、AAAI’22的领域主席，在IJCAI和NeurIPS上三次组织workshop，在CIKM’22上组织了AnalytiCup比赛，并在KDD、AAAI上多次做了Tutorial。 据他透露，FederatedScope现在已经开源0.2.0版本。 新版本可以更好支持大规模下的异步联邦学习，对用户的友好度也更高。