►►►
科研主題：NTU林教授1v1科研——
隨著資料隱私保護和資料孤島問題的日益嚴重，聯邦學習（Federated Learning, FL）作為一種分散式機器學習框架，逐漸成為解決跨機構和跨區域資料共享難題的關鍵技術。聯邦學習透過在各參與節點上獨立訓練模型，僅共享模型引數而不傳輸原始資料，有效保護了資料隱私。然而，傳統的聯邦學習框架仍面臨資料異質性、通訊開銷、模型效能等方面的挑戰，限制了其在實際場景中的廣泛應用。
資料異質性問題，即不同節點上的資料分佈差異，往往導致模型收斂速度變慢，甚至影響模型的準確性。此外，聯邦學習需要頻繁的模型引數交換，通訊開銷大，特別是在多裝置、多節點的情況下。面對這些問題，設計一種新型聯邦學習框架以最佳化資料異質性和通訊效率，提升模型的整體效能，具有重要的研究意義。
本研究將致力於構建一種新型聯邦學習框架，重點關注資料異質性和通訊效率最佳化，提出高效的模型聚合策略和自適應的模型同步方案，以應對實際應用中的多種挑戰。透過該框架的設計與最佳化，期望能夠提升聯邦學習在金融、醫療、智慧製造等隱私敏感領域中的應用效果，為跨機構協同建模提供更加安全和高效的解決方案。本次科研將結合當前技術前沿以及學生的相關經歷和需求，展開1v1科研指導服務。此外，學生也可以定製其他專業的科研課題。
特邀
導師
指南者留學特邀導師：林教授
Assistant Professor at the College of CS & DS at NTU
Wallenberg-NTU Presidential Postdoctoral Fellow
阿里巴巴達摩院CityBrain 團隊成員、東京大學研究員
多次頂刊最佳論文獎得主
我們的優勢
我們的名校科研
其他機構科研
教授1v1指導
10-20人班課
提供更個性化的科研教學指導
學生不容易得到個人化的關注
獨立一作論文
共同一作論文
讓學生全面地參與研究專案，從而獲得更多的學術成就和獨立思考的能力
導致學生的貢獻被稀釋，不容易凸顯個人能力
教授直接指導論文
教授不指導論文
直接從資深專家那裡獲取知識和經驗，有利於論文的高質量完成
缺乏專業指導，導致論文質量不高
Research論文
Review論文
強調實際研究和資料收集，更容易在學術界認可
更側重於理論分析而非實際研究，不容易得到學術認可
100%有推薦信
不全都有推薦信
確保學生在留學申請時有強有力的推薦支持
缺乏推薦信會影響將來的留學申請
EDU郵箱推薦信
私人郵箱推薦
使用教育郵箱傳送的推薦信更具權威性
缺乏權威性，不容易被接受
教授進群隨時直接聯絡
只能在班課會議上溝通
便於即時解答疑問和及時獲取反饋
缺乏及時和個性化的反饋
華人教授漢語指導
英文授課聽不懂
使用漢語講授專業知識內容更容易消化理解
你將收穫
國際會議論文發表
適合人群
留學申請：計劃申請計算機科學、人工智慧、資料科學等相關專業的同學
提升背景：希望增加深度學術研究經歷，提升獨立研究能力的同學
進度安排
階段1
科研專案匹配和準備期
· 週期：
1-4周
· 海外導師:
學生和導師雙向匹配
· 指南者老師:
進行前期技能、軟體等基礎能力培訓
階段2
科研專案正式週期
· 週期：
8周
· 海外導師：
每週遠端會議-科研推進-論文指導
· 指南者老師：
協助答疑和輔導
階段3
論文發表和網申
· 週期：
——
· 海外導師：
推薦信（官郵）+網推
· 指南者老師：
協助論文發表
掃描下方二維碼
諮詢報名科研專案