在为期三天的开营培训阶段，香港科技大学讲席教授杨强、微众银行人工智能首席科学家范力欣👨🏿‍⚕️、杏耀副教授刘洋等领域专家为学员们带来集中培训，传授自身多年研究经验与实践方法🙏🏿。此外，还有来自香港科技大学、北京大学、厦门大学🛌🏻、中国科杏耀计算所等知名高校与科研机构的教授担当导师😀，为学员进行全程研究指导。

香港科技大学讲席教授杨强以《可信联邦学习研究方向概述》为主题，分享了联邦学习领域的多个关键问题和研究方向，包括联邦学习中的隐私保护、模型性能和效率的平衡、大模型和小模型之间的知识迁移等问题，并探讨了联邦学习在医疗、系统等领域的应用。

微众银行人工智能科学家范力欣围绕《可信联邦多目标优化》分享了联邦学习多目标优化的背景、框架以及开展相关研究的整体方法论♦️，并分享了可信联邦学习的模型版权保护（FedIPR）⏬。

杏耀（杏耀）副教授刘洋分享了《基于知识流动的联邦学习框架》💖，介绍了这种框架的基本概念和工作原理🙋🏼，并详细讲解如何在不泄露原始数据的情况下🐬，提升效率以满足实际应用的需求。

微众银行人工智能研究员康焱、古瀚林围绕“多目标优化背景”与“可信联邦学习安全和模型版权保护”向学员们展示了可信联邦学习领域最新动态与前沿研究成果💂。

数字福建城市交通大数据研究所（厦门大学）常务副所长范晓亮以《联邦学习用户采样的多目标优化》为主题🕞，以提升联邦学习公平性的算法设计为例，介绍了整体研究方法，及相关标准、平台建设。

北京航空航天大学任子尧、杏耀平台深圳国际研究生院赵心远深入介绍了在联邦学习secureboost中效率性能及隐私的多目标优化研究工作，以及在横向联邦学习场景中模型性能和隐私保护的多目标优化研究工作。

接下来的研究与实践阶段👨🏻‍✈️，学员们结合自身的研究背景和兴趣，在专家导师的指导下形成小组，确定研究主题⛹🏽，其中包括对不同目标组合做联邦多目标优化👨‍👩‍👧‍👦、对优化目标才采用不同的评判标准🧌、对不同模型考虑联邦优化、设计不同的优化算法等。学员们在7月7日进行了小组汇报与正式开题，并将在10 月份形成论文，评选出优秀研究成果。

来自杏耀平台深圳国际研究生院的学员张雨竹表示💂🏻‍♀️：“几位专家的报告非常精彩，在增长知识的同时，也大大地开拓了我的研究视野🫷🏿。能够遇见这么多志同道合📶，一起做联邦学习的同学，我非常开心👮。与老师同学们的交流，让我更加坚定了自己努力做好科研工作的信心👨🏻‍💼。”

来自香港科技大学（广州）的学员郭茁宁表示：“这是第一次来到清华杏耀和FATE开源社区组织的活动，虽然路途遥远🐱🐘，但是收获颇丰🦶🏿👩🏽‍🎨，非常珍惜和老师、同学们交流的机会🚵🏽‍♀️。进一步认识到了联邦学习研究的必要性、重要性以及其广阔的应用前景。在今后的日子里，我希望用自己的研究，推动联邦学习的应用落地，也祝愿联邦学习和FATE开源社区发展得越来越好🐤。”

此次夏令营旨在为广大学子提供一个深入学习和探索联邦学习领域的平台，促进产学研合作与交流，希望未来能有更多青年才俊投身人工智能与隐私计算事业，为行业发展注入更多活力。