近日，第39届神经信息处理系统大会（NeurIPS 2025）公布了录用论文名单，上海电力大学副教授杜海舟团队的论文《FedFree:Breaking Knowledge-sharing Barriers through Layer-wise Alignment in Heterogeneous Federated Learning》成功入选，这是该团队连续第二年在NeurIPS上发表分布式机器学习领域的研究成果。
在异构分布式机器学习中，异构模型训练难以聚合收敛是一个核心瓶颈问题。现有方法通常依赖代理数据或模型压缩，容易带来隐私风险与知识传递不完整的问题。针对这一挑战，研究团队提出了新的框架FedFree，通过逐层知识对齐机制，实现跨异构模型的数据无关知识共享。
具体而言，FedFree设计了逆向分层知识迁移机制与知识增益熵（KGE）指标，在保证隐私安全的前提下，有效缓解细粒度知识丢失问题，实现了跨异构设备的高效知识共享。 理论分析与实验结果表明，FedFree不仅实现了严格的收敛性保证，而且在计算机视觉典型数据集上显著优于现有方法，最高精度提升超过46%。研究团队表示，这一成果应用场景广阔，为构建面向大模型时代的高效、安全、普适的分布式智能系统提供了新路径。例如，在基于无人机群的电力线路巡检领域，FedFree框架的数据隐私保护特性能够有效提升异构识别模型的整体性能；在边缘计算场景中，该框架不仅提升了异构设备间的协同建模能力，还打破了设备之间的知识共享壁垒，为边缘智能与隐私计算的深度融合提供了新方法。此外，FedFree框架也为生成式人工智能时代的大小模型协同工作提供了新思路。
