报 告 人：陈川 副教授，中山大学

报告时间：10月25日（周一）13:30

报告地点：腾讯会议（ID：950 389 620）

邀 请 人：马丽艳 副研究员                

报告摘要：

隐私计算指在保护数据本身不对外泄露的前提下，实现数据分析计算，在消除“数据孤岛”、合规避险、弥合“信任鸿沟”方面具有重大意义，而联邦学习作为隐私计算的重要工具，已在学界业界引发广泛的研究热潮并结合到各个领域。本报告主要面向联邦学习中的（设备异构性，节点安全性，及数据多样性）几个问题分别介绍课题组在该领域的一些相关工作。具体地，针对联邦学习中的设备异构问题，提出了适用于资源受限设备的异构联邦学习融合架构；针对安全问题，提出了基于区块链委员会共识机制的去中心化联邦学习框架；针对客户端中存在的丰富图数据信息，基于图数据的异构性和互补性，提出了基于全局自监督信息的联邦图学习。

报告人简介:

陈川, 现任中山大学计算机学院副教授。2012 于中山大学数学与应用数学专业获学士学位，2016 于香港浸会大学数学统计专业获博士学位，曾获比利时FWO资助于比利时鲁汶大学（KU Leuven）电子工程系访问交流。近年来主要研究方向包括图机器学习理论与应用，社交网络分析，知识图谱分析，及联邦学习等。发表SCI索引国际期刊（包括IEEE TNNLS, TIP, ACM TOIS, NSR等）及国际会议论文（包括AAAI, IJCAI, ICML, WWW, INFOCOM, CIKM, ICDM等）60余篇，其中中科院一区及CCF A类会议及期刊论文20余篇。现任Elsevier国际期刊Software Impacts副主编，担任IEEE TIP/TSP/TNNLS等多份国际期刊审稿人，担任IJCAI/AAAI等多个国际学术会议的（高级）程序委员会委员及论坛主席，中国计算机学会(CCF)人工智能与模式识别专委会委员。主持国家重点研发计划项目课题，国家自然科学面上项目/青年基金，广东省基础研究项目/面上项目，2019年CCF-腾讯犀牛鸟科研基金项目，2021年腾讯微信犀牛鸟专项基金等，并与多家企业（包括微信/微众银行/网易）开展长期研究合作。