2026年2月21日，2026年IEEE/CVF计算机视觉与模式识别会议(CVPR 2026)论文录用结果揭晓，MMRC实验室团队在联邦持续学习方向的成果被该会议录用。CVPR会议是人工智能领域的重要学术会议，被中国计算机学会评定为A类学术会议。这次会议共收到16092篇有效投稿，其中4090篇被录用，录用率约25.42%。

论文名称：From Selection to Scheduling: Federated Geometry-Aware Correction Makes Exemplar Replay Work Better under Continual Dynamic Heterogeneity

论文作者：齐壮（山东大学），Yingpeng Tang（南洋理工大学）,孟雷∗（山东大学），晁国清（哈尔滨工业大学），武蕾（山东大学），Yu Han（南洋理工大学），孟祥旭（山东大学）

Paper链接：

https://github.com/qizhuang-qz/FEAT/CVPR26_FCL.pdf

Code链接：

https://github.com/qizhuang-qz/FEAT

论文简介：示例回放通过保留来自过去任务的代表性样本，已成为缓解联邦持续学习（FCL）中灾难性遗忘的一种有效策略。现有的研究专注于设计样本重要性估计机制，以识别信息丰富的样本。然而，它们通常忽视了有效利用所选示例的策略，这限制了在客户端和任务之间的持续动态异质性下的性能。为了解决这个问题，本文提出了一种联邦几何感知修正方法，称为FEAT，它缓解了由于类别不平衡而导致的表示崩塌问题，避免了稀有类别的特征向频繁类别拖拽。具体来说，FEAT由以下关键模块组成：1）几何结构对齐模块通过对齐特征表示及其对应的等角紧框架原型之间的成对角度相似性，执行结构性知识蒸馏，这些原型在各个客户端之间固定并共享，作为类区分性参考结构。这有助于跨任务鼓励几何一致性，并有助于缓解表示漂移；2）基于能量的几何修正模块移除特征嵌入中的与任务无关的方向性成分，从而减少对多数类的预测偏差。这提高了对少数类的敏感度，并增强了模型在类别不平衡数据分布下的鲁棒性。实验结果表明，FEAT在客户端和任务级别都能缓解双重偏差，优于七种最先进的方法。

图1: FEAT框架图

IEEE国际计算机视觉与模式识别会议（IEEE Conference on Computer Vision and Pattern Recognition，CVPR）是计算机视觉与模式识别领域的顶级学术会议。‌该会议由IEEE主办，是全球计算机视觉领域三大顶级会议之一，被中国计算机学会（CCF）等国内外权威机构一致认定为A类会议，享有极高的学术声誉和论文引用率。‌CVPR‘26将于2026年6月3日至6月7日在美国丹佛举行，作为学术界与产业界交流的重要平台，会议上发表的前沿研究成果不仅推动了学术进步，也常被迅速应用于实际产品开发，实现高效的技术转化。‌