2025年5月，公司教师刘伟在校定A1级期刊《IEEE Transactions on Intelligent Transportation Systems》在线发表题为“Federated Few-Shot Learning With Intelligent Transportation Cross-Regional Adaptation”的论文。该论文针对智能交通系统（ITS）中数据稀缺与跨区域分布不均的挑战，本研究提出了一个名为FFSLCRA的联邦小样本学习框架。该框架创新性地融合了联邦对比学习、区域特定数据增强与小样本学习技术，旨在解决联邦学习环境下的数据异质性并提升模型在数据稀缺区域的适应能力。理论分析证明了其收敛性与鲁棒性。在多个基准数据集上的实验结果表明，该方法在准确性、适应性和公平性方面均优于现有技术，为处理数据分布不平衡的ITS应用提供了有效的联邦学习解决方案。

希望广大教师继续潜心研究，不断创新，多出成果。（撰稿：刘伟；一审：艾科妮；二审：周健；三审：戴道明）