Federated Learning for Private, Fair, and Efficient AI for Well-being

Viktiga resultat som projektet gav

Projektet hade två huvudmål: 1) att producera minst två högkvalitativa artiklar, och 2) att etablera ett långsiktigt samarbete med Aiim-labbet vid Queen´s University i Kanada. Vi arbetar nu med två artiklar för inlämning till ICML och NeurIPS 2025. Att publicera på bara fyra månader är en utmaning, men vi arbetar mot detta mål. För det andra målet har vi inlett diskussioner om framtida internationella projekt för fortsatt arbete med Federated Learning på tidsseriedata.

Långsiktiga effekter som förväntas

Detta projekt resulterade i ett samarbete med Queen´s University i Kanada, med fokus på att utveckla metoder för Federated Learning med ett primärt fokus på välbefinnande. Vi analyserade tidsseriedata, vilket ledde till två artiklaren om analys och en om metodologisom är tänkta att skickas in till ICML 2025 och NeurIPS 2025. Projektet hade två huvudmål: att producera högkvalitativa artiklar och att etablera ett långsiktigt partnerskap med Aiim-labbet. Vi gör framsteg inom båda, inklusive att initiera diskussioner för framtida internationella projekt.

Upplägg och genomförande

En aspekt av detta projekt, trots att det var ett mobilitetsprojekt, var att övervinna utmaningarna relaterade till resor på grund av visumproblem. Vi inledde framgångsrikt vårt samarbete på distans och hade veckovisa möten med huvudsakliga handledaren från Aiim-labbet (prof. Ali Etemad). Dessutom blev jag involverad i deras forskargrupp via Slack-applikationen, vilket möjliggjorde kunskapsutbyte och att vi kunde hålla kontakten. Vi är fast beslutna att fortsätta arbetet med artiklarna, inte bara under prof. Etemads ledning utan även i samarbete med hans team.