IJCAI是人工智能领域历史悠久、覆盖广泛、影响深远的综合性顶级国际学术会议之一，长期聚焦人工智能基础理论、方法创新与应用发展，是全球AI研究的重要风向标，录用率常年维持在15%左右。本论文投稿时IJCAI为CCF推荐的人工智能领域A类国际学术会议，CCF 2026年更新目录后将其调整为B类。

论文题目：FedUP: Uncertainty-Aware Personalized Federated Learning via Probabilistic Prototypes

第一作者：戚福瑞（2025级硕士研究生）

收录会议：The 35th International Joint Conference on Artificial Intelligence（IJCAI 2026，CCF B）

指导老师：张卫山

论文概述：在个性化联邦学习场景下，客户端数据异构导致原型质量参差不齐，现有方法将原型视为确定性点估计，无法量化其可靠性，进而引发本地训练中的负向对齐与全局聚合中的知识污染。针对上述问题，本文提出FedUP框架。在本地训练阶段，基于证据深度学习将预测不确定性分解为认知不确定性与偶然不确定性：以认知不确定性为自适应门控动态调节本地特征与全局原型的对齐强度，对数据稀缺类别则以全局概率原型为类条件先验进行特征增强，缓解本地数据稀疏问题；在服务端聚合阶段，将各客户端原型建模为高斯分布，以两类不确定性的加权组合评估原型可靠性，并通过Wasserstein重心聚合代替朴素欧氏平均，在抑制低质量原型负迁移的同时保持原型几何结构。实验结果表明，FedUP 在多个公开医学图像数据集和不同异构设置下均取得了优于主流个性化联邦学习方法的性能表现，为隐私保护医疗智能、边缘智能和多机构协同建模等场景提供了新的解决思路。