报告主题：复杂网络与分布式联邦学习的交叉问题研究

报 告 人：周明洋

报告时间：2024年6月18日 上午10:00-11:00

报告地址：腾讯会议：581 994 849

报告摘要：

当前人工智能发展的一个重要挑战是算力资源不足，分布式联邦学习能够利用分布式设备组网训练大规模神经网络，如何对数以万计的分布式设备进行组网提高系统的训练速度具有重要意义。经典分布式计算研究的问题包括通讯压缩、模型同步协议、训练方法等问题，我们关注一个关键问题：如何利用复杂网络的方法对网络结构进行优化提高分布式系统的训练速度。复杂网络领域重点关注网络结构对同步等动力学的影响；分布式计算领域重点关注系统的整体计算性能，而对复杂网络结构优化问题关注有限。从复杂网络的角度对大规模分布式联邦学习的网络结构进行优化具有一定的特色，可以利用低速的边缘设备组网成高速的计算系统。

报告人简介：

周明洋，2015年开始从事计算机应用研究，主要研究领域包含图数据挖掘、复杂网络结构分析、推荐系统设计。在相关领域以第一作者或通讯发表SCI论文超过三十篇。主持国家、省、市等自然科学基金十余项，深圳市“孔雀计划”海外高层次人才（C类）。近些年在计算机领域《WWW 2024》、《IJCAI 2024》、《ACL 2024》、《SIGMOD 2023》、《EMNLP 2022》，《Information Processing & Management》、《Information Sciences》等期刊和会议，复杂系统领域期刊《Physics Reports》,《Nonlinear Dynamics》，《Communications in Nonlinear Science and Numerical Simulation》，《Chaos》等国际重要期刊发表SCI论文超过三十篇。