我院人工智能专业本科生在CCF推荐的A类国际学术期刊IEEE Transactions on Information Forensics and Security上发表题为“FedRDA: Hierarchical Noise Detection for Federated Finger Vein Recognition”（DOI:10.1109/TIFS.2025.3615408）的研究论文。我院为该成果的第一完成单位，本科生谢雨晨为该论文的第一作者，计算机科学与工程系任恒毅老师为通讯作者。 

图1 FedRDA框架概览

       指静脉识别作为一种高安全的生物特征认证技术，在金融支付、智能门禁等领域具有显著优势。然而，在日益普及的联邦学习（Federated Learning, FL）分布式部署环境中，由于各客户端数据采集环境的差异、用户注册质量波动以及隐私保护下的数据标签不确定性，导致系统极易产生标签噪声，严重威胁了指静脉识别的准确性和可靠性。针对上述挑战，作者创新性地提出了FedRDA框架（图1），通过三层渐进机制实现端到端优化。首先，构建分层噪声检测系统，从客户端和样本两个层面精准识别标签噪声。其次，设计动态伪标签学习模块，采用改进的自适应标签模糊化损失函数，动态调整样本学习难度参数并融合动量更新机制，同时整合预测不确定性熵与无监督一致性约束，实现精准的标签修正。最后，提出基于距离感知和梯度一致性度量的自适应聚合策略，有效应对分布式环境中的数据隔离和噪声传播问题。

       在SDUMLA、MMCBNU_6000、FV-USM等多个公开指静脉数据集上进行的实验结果显示，FedRDA框架表现出卓越的鲁棒性。即使在高噪声率条件下，其准确率仍能保持在较高水平，性能相比现有最佳方法提升了约14%。这一成果为指静脉识别系统在智能门禁、金融支付、医疗安全等高安全要求领域的分布式、大规模部署提供了坚实可靠的技术支撑。