中国电信云计算研究院与吉林大学联合研究团队在移动群智感知（Mobile Crowdsensing，MCS）领域取得最新研究成果，论文《Federated Learning-based Distributed Data Completion in Sparse Mobile CrowdSensing》已被IEEE Transactions on Mobile Computing （IEEE TMC）接收。该成果面向稀疏移动群智感知中数据隐私泄露风险与时空异步特性带来的分布式补全挑战，提出了一种基于联邦学习的异步深度矩阵分解的分布式数据补全框架 FLAMF。该框架以基于LSTM的时序深度矩阵分解模型为核心，通过融合可学习时间门控机制与异步参数聚合策略，高效建模多用户间不规则采集数据的时空关联，无需上传任何私密原始数据即可实现高精度的城市感知数据补全，为智慧交通、城市环境监测与公共安全保障等应用场景提供了兼具隐私保护与精确推断能力的技术方案。此项工作由吉林大学软件学院副院长王恩教授、博士生李宝驹和吉林大学联合培养博士后刘文彬共同完成，得到中国电信集团首席科学家、中国电信云计算研究院院长吴杰教授指导，是云计算研究院与外部高校在产学研合作方面的重要成果。

在智慧城市建设中，移动群智感知通过调动大众移动设备收集城市温度、空气质量、交通流量等环境数据，为环境监测、交通调度和城市治理提供重要支撑。然而，由于用户参与度不稳定、设备覆盖不均匀等因素，采集数据往往具有空间稀疏、时间不连续的特点，缺失值补全成为必不可少的技术环节。传统数据补全方法大多依赖向服务器上传用户的原始时空位置与数据记录，但这类信息极易泄露个人出行规律，带来严重隐私风险。因此，在准确数据补全与个人隐私保护之间取得平衡，一直是学界与产业界亟待解决的难题。

研究团队提出的 FLAMF 框架通过模型结构设计与训练机制的系统性创新，实现了隐私保护、推断准确性与计算高效性的统一。在模型技术路线上，FLAMF 将矩阵分解方法与深度神经网络结构相结合，采用 MF 作为本地模型的基础单元，使用户设备能够在不暴露原始时空数据的前提下，在本地学习数据的低秩结构与潜在关联。服务器端接收的仅是模型参数而非传感数据本身，从源头上消除隐私泄露隐患，有效避免了用户轨迹、位置和行为模式在通信过程中被推断的风险。针对群智感知数据存在时间采样不规则、用户数据分布差异显著的问题，研究团队提出了 TIME-DMF 模块。该模块结合 LSTM 结构，引入可学习的时间门控机制，使模型能够根据不同用户间的采集间隔自适应调整记忆更新策略，从而准确捕获非线性时空关系。借助这一设计，模型在面对长时间缺测、局部密集采样以及多尺度时序变化时，仍能保持较高的补全鲁棒性和推断稳定性。为进一步应对用户采集时间不同步带来的训练不协调问题，FLAMF 构建了异步联邦训练机制，使模型能够在不同客户端上传时间完全不一致的情况下仍保持稳定收敛。服务器无需等待所有客户端同步更新，而是依据时间戳和数据覆盖范围进行加权聚合，显著提升了训练效率。

本研究为隐私敏感型智慧城市数据处理提供了全新的解决思路。FLAMF 所构建的“只上传模型、不上传数据”的补全机制，为环境监测、交通流量预测、公共卫生监护等城市级应用提供了安全可靠的数据基础，推动了可信、实时、高效的城市感知平台建设。该工作不仅展现了团队在隐私计算、分布式学习和群智感知领域的创新能力，也为后续的技术落地和城市智能化建设奠定了坚实的科研基础。

作为中国电信在前沿技术布局中的重要创新力量，中国电信云计算研究院始终围绕云网融合与智能化基础设施的发展方向，积极推进云边端协同技术体系的建设。在移动群智感知等典型稀疏感知场景中，云计算中心依托完善的云算力体系和高性能分布式平台，通过对智能数据补全、隐私保护计算和联邦学习等关键算法的深入研究，持续探索在不牺牲用户隐私的前提下提升城市感知能力的新路径，为大规模智算业务提供稳定、高效、可信的技术支撑，推动智慧城市、行业物联网和未来网络应用的深度智能化发展。

IEEE TMC（IEEE Transactions on Mobile Computing）是移动计算领域享有盛誉的国际顶级期刊，致力于发表经过严格同行评审的高质量学术论文，探讨移动计算与无线系统中的理论基础、创新技术及实际应用，涉及移动网络协议设计、资源高效管理、普适计算环境构建、移动安全与隐私保护等多个关键议题。IEEE TMC 期刊属于中国计算机学会（CCF）推荐的 A 类期刊，发表的论文将由 IEEE Xplore 收录，并被 SCIE、EI 和 Scopus 等数据库检索，中国科学院SCI期刊分区为一区TOP。目前该期刊由来自全球顶尖学术机构与产业界的知名学者担任编委会成员，长期吸引大量来自学术界与产业界的研究人员关注和投稿，在移动计算及相关研究领域内拥有深远影响力。