題目一：Efficient Nearest Neighbor Search in Vector Databases and Federated Databases
内容簡介：Approximate nearest neighbor (ANN) search is fundamental and widely used in numerous real-world applications, such as image retrieval, recommendation, bioinformatics, and sequence matching. Proximity graph (PG) has been the state-of-the-art index for ANN search. However, the search on existing PGs either suffers from a high time complexity or has no performance guarantee on the search result. We propose a nove t-monotonic graph (t-MG) to address the limitations. The novelty of t-MG lies in a t-monotonic property. Based on this property, we prove that if the distance between a query q and its nearest neighbor is less than a constant t, the search on t-MG guarantees to find the exact nearest neighbor of q and the time complexity of the search is smaller than all existing PG-based methods. To protect the privacy during ANN search, we also propose a secure ANN search method in the federated environment. Our extensive experiments show that our techniques out perform all existing methods on well-known real-world datasets.
報告人：彭雲
報告人簡介：教授，博士生導師，2013年博士畢業于香港浸會大學，2022年加入廣州大學人工智能研究院，入選廣東省級人才項目特聘教授崗、廣州大學“百人計劃”。曾在香港浸會大學擔任研究助理教授，聯想集團（香港）擔任高級研發經理、高級數據科學家并獲得産業科技創新總裁獎，新加坡南洋理工大學擔任Research Fellow等。主要從事大數據、圖神經網絡、隐私計算等領域的教學與研究工作。長期擔任領域頂級學術期刊和會議編委。近年來，主持國家重點研發計劃課題1項，主持國家自然科學基金2項，省自然科學基金2項，在TKDE、TDSC、PVLDB、ICDE、IJCAI等CCF A類期刊和會議上發表論文20餘篇，出版教材1部。
題目二：Optimal Client Selection of Federated Learning Based on Compressed Sensing
内容簡介：聯邦學習是一種允許多個個人或團體在不交換數據的前提下協同實現機器學習建模的技術，憑借其私有數據不出本地的特性，得到了廣泛應用。然而，聯邦學習在實踐中仍面臨着隐私洩露、通信效率低、掉隊效應和異質性等挑戰。本報告首先介紹如何将最優客戶端選擇問題轉化為稀疏優化問題，以提出一種新的安全聚合協議，然後介紹客戶端重複貢獻解決方案、無額外通信的客戶端采樣策略和掉隊者懲罰策略三個輔助組件的設計，最後介紹一種安全高效的聯邦學習方案的構建，旨在有效應對上述核心挑戰。
報告人：李慶
報告人簡介：廣西科技大學計算機科學與技術學院副教授。2024年博士畢業于暨南大學網絡空間安全學院。主要研究壓縮感知理論在人工智能、聯邦學習、後門攻擊等領域的應用及理論分析，部分論文發表在IEEE Trans. Inf. Forensics Secur.、Knowledge-Based Syst.、Pattern Recognit. Lett.等國際著名刊物。主持或參與縱向項目4項，橫向項目8項，授權發明專利2項，軟件著作權4項。擔任IEEE Trans. Inf. Forensics Secur.、IEEE Signal. Process. Lett.等多個國際學術期刊的審稿人。
時 間：2025年4月7日（周一）下午14:30開始
地 點：騰訊會議：293-878-132
熱烈歡迎廣大師生參加!
太阳集团1088vip
2025年4月2日