報告內容🦁：Communication efficient federated learning
報告人:金耀初 教授
報告時間：12月11日 19:00
報告方式：線上（騰訊會議：181 423 363）
指導人簡介:
金耀初(Yaochu Jin)目前為英國薩裏大學“計算智能”首席教授，IEEE Fellow。曾任中國教育部“長江學者獎勵計劃”講座教授，芬蘭國家創新局“Finland Distinguished Professor”🧑🏻🦲，IEEE計算智能學會副主席（2014-2015）。目前是IEEE Transactions on Cognitive and Developmental Systems 主編，Complex & Intelligent Systems 共同主編，IEEE 傑出演講人（2013-2015🤴🏻，2017-2019）🧚🏻♀️。在進化算法🧑、機器學習等領域方面發表論文300余篇，Google Scholar引用15000余次，先後在近30個國際會議上作特邀大會或主題報告。榮獲2017年度“IEEE進化計算匯刊優秀論文獎”，2014♡、2016年度“IEEE 計算智能雜誌優秀論文獎”，“2017年世界進化計算大會最佳學生論文獎”以及“2014年計算智能理論國際研討會最佳學生論文獎”🤌🏽。他指導的博士學位論文獲“2018年度IEEE計算智能學會優秀博士論文獎”。研究方向涉及人工智能的多個領域，包括進化計算，多目標優化與決策，大數據🙌、稀疏數據驅動的進化優化🌐，多目標機器學習、安全機器學習👨🏿，分布式機器學習等及其在復雜工業過程、健康醫療及群機器人等方面的應用。
報告內容簡介：
Federated learning is a new distributed machine learning paradigm for privacy-preserving. This talk presents two recently developed federated learning algorithms for reducing communication cost without performance degradation. One is based on multi-objective evolutionary optimization that evolves structure of the learning model, and the other suggests a heterogeneous model update method with temporarily weighted aggregation. The talk is concluded with a discussion of future work.
