报告主题：面向高度偏差及异质数据的可信共享智能研究

报 告 人：杨耀

报告时间：2023年6月2日（周五）上午9：30-10：30

报告地址：计算机大楼A411

报告摘要：

机器学习算法在金融、交通、科学等领域有广泛深入的应用。实际应用中的数据存在不同类型的缺失、偏差及异质性问题，例如存在高度随机或者块状缺失，训练数据和测试数据之间存在高度异质，多方数据联合建模时在特征维度、统计分布、建模任务等方面存在显著差异等。这为机器学习应用带来严重挑战，会大幅度降低算法模型的准确度和鲁棒性。针对上述问题，我们提出了创新的鲁棒机器学习算法，实现对单方数据的准确填充和建模；通过优化模型结构及求解过程，提升差异化多任务建模的准确性；提出双通道联合表征个性化联邦学习、小重叠场景纵向联邦学习等算法，提升多方数据建模的准确性。最后，报告也会对群体共识智能等前沿研究主题做开放性探讨。

报告人简介：

杨耀，之江实验室智能计算平台研究中心研究专家，研究方向为人工智能、隐私计算，以及上述前沿技术在科学、金融等领域的应用。博士毕业于上海交通大学，曾任加拿大国家研究院访问学者，有多年大型IT企业工作经验。累计在SIGIR, ACM MM, WWW, Knowledge Based System, Prog. Quantum Electron., APL等重要国际会议与期刊上发表20多篇高水平论文，授权国家发明专利15项。当前作为课题负责人牵头科技部重点项目计划机密计算项目课题，并作为项目负责人承担之江实验室揭榜挂帅项目《跨机构隐私保护机器学习平台开发和算法模型研究》，曾作为研发骨干参与完成国家重点研究计划重点支持项目《知识产权信息共享与运营服务应用示范》，带领团队研发了分布式可扩展的机器学习和联邦学习平台，并在深度学习的理论研究及算法模型创新方面做出一定工作。研发的算法平台和模型应用金融、互联网、自然科学等多类场景，显著的经济和社会效益。