第19届国际无线人工智能计算系统及应用会议（WASA 2025，CCF-C类会议）于2025年6月24至26日在日本东京召开。

经过严格评审，研究院博士生张宇昕、硕士毕业生林政的论文《ESL-LEO: An Efficient Split Learning Framework over LEO Satellite Networks》荣获大会最佳论文奖 (Best Paper Award)。

该奖项是对我院学生在理论创新性、学术深度与工程实用性方面的高度肯定。

研究围绕低轨卫星网络中智能模型训练所面临的关键技术瓶颈，提出了全新的ESL-LEO分割学习框架。该框架创新性地设计了辅助模型机制，打破了传统分割学习对卫星-地面站持续通信的依赖，使卫星在非接触阶段也能独立完成本地训练；同时，引入在线知识蒸馏机制，实现了地面站知识的高效迁移与共享，有效提升了模型的训练效率与收敛精度。实验结果表明，ESL-LEO 在多个遥感智能识别任务中相较主流方法收敛速度提升了100% （如CSIRO,澳大利亚最大的国家级科研机构），即使在通信和计算资源受限的卫星网络环境下仍展现出卓越的稳定性与性能优势，为构建天空地一体化的智能网络与计算体系提供了关键支撑。

    ESL-LEO 也是团队近年来在空间分布式智能系统设计方向上的重要延续。此前，团队已围绕多样化网络环境与资源约束，提出多项具有代表性的工作：面向异构 LEO 卫星网络资源的联邦学习框架 FedSN（TMC'24）引入子结构训练与伪同步聚合机制来提升训练稳定性；适用于无线信道动态变化场景的并行分割学习系统 EPSL（TMC'24）结合激活梯度聚合与资源感知调度来显著降低训练延迟；分层式分割联邦学习框架 HSFL（TMC'25）从理论上刻画模型切分与聚合间隔对收敛性能的影响并实现联合优化。