报告人：何丙胜，新加坡国立大学计算机学院教授、副院长

报告时间：2023年06月13日 15:00 - 16:00

报告地点：湖南大学信息科学与工程学院201

报告摘要: 联邦学习是一个热门的研究领域，可以在隐私限制下实现不同组织之间的协同训练机器学习模型。随着研究人员尝试使用不同的隐私保护方法支持更多的机器学习模型，需要开发系统和基础设施来简化各种联邦学习算法的开发。就像 Caffe、PyTorch 和 TensorFlow 等深度学习系统促进了深度学习算法的发展一样，联邦学习系统同样重要，并面临着各种问题，如不切实际的系统假设、可扩展性和效率等。受数据库和云计算等其他领域中联邦系统的启发，我们研究了联邦学习系统的系统设计要求，我们发现，在现有的联邦学习系统中，很少考虑到其他领域联邦系统的两个重要特征，即异构性和自治性。在本次演讲中，我们将对现有的联邦学习系统进行系统比较，并介绍我们的研究进展以及未来的系统研究机会和方向。

报告人简介: 何丙胜博士目前是新加坡国立大学计算机学院教授和副院长（研究）。在此之前，他曾任新加坡南洋理工大学教师（2010-2016年），并在Microsoft Research Asia系统研究组担任研究职位（2008-2010年），他的主要研究方向是为Microsoft构建高性能云计算系统。他于上海交通大学获得学士学位（1999-2003年），并于香港科技大学获得博士学位（2003-2008年）。他目前的研究方向包括云计算、数据库系统和高性能计算。他曾获得Microsoft / NVIDIA / Xilinx / Alibaba的行业教师奖。他的工作也赢得了多个奖项或在SIGMOD 2008、VLDB 2013（演示）、IEEE / ACM ICCAD 2017、PACT 2018、IEEE TPDS 2019和FPGA 2021等顶级论坛上获得了“最佳论文”收藏或奖项。自2010年以来，他（共同）主持了许多国际会议和研讨会，包括IEEE CloudCom 2014/2015、BigData Congress 2018和ICDCS 2020。他还担任国际期刊的编辑委员会成员，包括IEEE Transactions on Cloud Computing（IEEE TCC）、IEEE Transactions on Parallel and Distributed Systems（IEEE TPDS）、IEEE Transactions on Knowledge and Data Engineering（TKDE）、Springer Journal of Distributed and Parallel Databases（DAPD）和ACM Computing Surveys（CSUR）。他是ACM杰出会员（2020年）。

邀请人：李肯立

联系人：李梦泉