报告题目：联邦数据驱动的进化优化最新进展

报告人：刘奇奇

报告时间：2025年10月10日下午2:30

报告地点：正阳3号楼会议室102

报告简介：随着数据隐私保护和分布式学习需求的不断增长，传统的进化优化方法在现代复杂系统中的应用面临着许多挑战。特别是在需要处理大量分布式数据并且无法将数据集中到一个地方进行训练的场景下，如何进行有效的优化成为了一个重要问题。在此背景下，联邦学习和数据驱动的进化优化的结合催生了联邦贝叶斯优化这一新兴研究领域。报告人首先设计了基于Diffile Hellmann机制的联邦模型管理策略，实现了在模型管理过程中对原始数据和客户端预测数据的保护，并用于解决分布式多目标优化任务。另外，报告人提出了一种基于隐式获取函数优化的联邦贝叶斯优化算法，该方法利用二元分类器去近似本地获取函数并通过聚合所有客户端的二元分类器实现全局获取函数的隐式求解，并用于解决联邦超多目标优化任务。

报告人简介：刘奇奇，西湖大学工学院博士后，主要从事数据驱动的进化优化，多目标优化和联邦贝叶斯优化的研究工作，主持国家自然科学基金青年项目和浙江省博士后科研项目择优资助项目，在IEEE Transactions on Evolutionary Computation, IEEE Transactions on Cybernetics等期刊和ICCV等顶级会议以一作/通讯作者发表论文10余篇，谷歌引用1000余次，国家优秀自费留学生奖学金获得者，IEEE Transactions on Emerging Topics in Computational Intelligence (TETCI)和Complex & Intelligent Systems（CAIS） 期刊副主编，IEEE CIS Task Force on Data-Driven Evolutionary Optimization of Expensive Problems 主席。