关于 English
我就职于厦门大学信息学院计算机科学与技术系，任助理教授，博士生导师。我于2019年获得香港浸会大学计算机科学专业博士学位，导师是张晓明教授，于2012年和2014年分别获得澳门大学软件工程专业本科和硕士学位，导师是唐远炎教授，并曾于2018年在腾讯担任实习研究员。目前已发表高水平论文40余篇，其中多篇论文发表在机器学习一流期刊（JCR 1区）如IEEE TNNLS和IEEE TCYB等，以及人工智能和计算机视觉顶级会议（CCF A类）如CVPR、ICCV、AAAI、IJCAI等。主持国家自然科学基金面上项目及青年项目、福建省新型智库重大课题、福建省自然科学基金面上项目、之江实验室开放课题等多个项目。任中国图象图形学学会机器视觉专委会委员、中国图象图形学学会厦门会员活动中心秘书长、以及国际知名期刊IEEE Transactions on Emerging Topics in Computational Intelligence责任编委（Associate Editor）。获得厦门大学2023年度“小米青年学者”荣誉称号。目前主要研究方向为面向开放世界的鲁棒深度学习，包含长尾学习、联邦学习、噪声标签学习等机器学习前沿领域。
有意加入课题组的本科生，请查看本科招生简章；有意加入课题组的硕士生，请查看硕士招生简章，
25级信息学院计算机系、人工智能研究院仍有少量硕士名额，请尽早与我联系。
近期动态
- 2024年4月17日：一篇关于长尾持续学习的文章被IJCAI接收，恭喜晨星！
- 2023年12月27日：荣获2023年度小米青年学者荣誉称号！
- 2023年12月9日：三篇文章被AAAI接收！
- 2023年8月24日：国家自然科学基金面上项目《面向标签非完备数据的联合监督深度学习方法研究》成功立项。
- 2023年7月14日：一篇关于长尾噪声标签学习的文章被ICCV接收，恭喜易亮！
- 2023年3月28日：恭喜心怡获得CSC奖学金的UCL的博士offer！
- 2023年2月28日：一篇关于长尾学习的文章被CVPR接收，恭喜金焱！
- 2022年4月21日：一篇关于长尾联邦学习文章被IJCAI接收，恭喜心怡！
- 2020年12月24日：之江实验室2020年第四季度开放课题《面向复杂异构数据的联邦学习方法研究》成功立项。
- 2020年9月18日：国家自然科学基金青年项目《面向不平衡数据的联邦学习方法研究》成功立项。
- 2020年9月11日：福建省自然科学基金面上项目《基于深度集成网络的复杂场景在线学习方法研究》成功立项。
- 2020年3月12日：于厦门大学马来西亚分校授课一学期。
- 2019年12月10日：加入厦门大学模式识别与机器智能研究中心。
主持项目
- 国家自然科学基金面上项目，面向标签非完备数据的联合监督深度学习方法研究，2024/01-2027/12，49万元，在研
- 国家自然科学基金青年项目，面向不平衡数据的联邦学习方法研究，2021/01-2023/12，24万元，在研
- 福建省新型智库重大课题，新人工智能革命下我省加快数字经济高质量发展研究，2024/01-2024/12，5万元，在研
- 福建省自然科学基金面上项目，基于深度集成网络的复杂场景在线学习方法研究，2020/11-2023/11，7万元，已结题
- 之江实验室2020年第四季度开放课题，面向复杂异构数据的联邦学习方法研究，2021/01-2022/12，50万元，已结题
- 厦门大学校长基金，面向概念漂移数据流的增量学习方法研究，2020/9-2020/12，2万元，已结题
- 厦门大学校长基金，面向非独立同分布长尾数据的联邦学习方法研究，2021/01-2022/12，15万元，已结题
- 厦门大学校长基金，面向标签非完美分布的深度学习方法研究，2023/01-2024/12，15万元，在研
- 横向课题，基于视觉分析的工业缺陷检测系统，2023/08-2025/07，10万元，在研
- 横向课题，基于联邦学习的智慧政务系统，2023/01-2023/12，20万元，在研
- 横向课题，基于目标检测的船舶自动导航系统，2021/07-2022/07，10万元，已结题
研究兴趣
非完备标签下的机器学习
标签非完备下的机器学习处理的是在标签分布不均或标签噪声等显著缺陷的情况下进行的有效模型训练，目标是在数据质量较低的情况下仍能实现准确的预测。我们通过引入更有效的标签处理和集成策略，提升了模型在标签非完备数据上的表现。
可信联邦学习
可信联邦学习旨在分布式数据环境中进行模型训练，确保数据隐私和安全，同时保持高模型性能，并探讨在联邦学习框架下的个性化和公平性。我们的工作关注于数据异质性、长尾分布、标签缺失和噪声问题，提高模型在异构数据和噪声环境下保证模型的鲁棒性和性能。
持续学习与提示学习
在现实世界的应用中，数据环境是动态变化的，模型需要能够持续学习新知识，同时保留已有知识而不会遗忘。我们的研究涉及基于任务的不平衡持续学习、增量学习中的概念漂移处理和领域泛化，旨在提高模型在动态和不平衡数据环境中的稳定性和适应性。
指导学生
- 钱品馨 (2020-2023, 就职于阿里巴巴): 联邦学习
- 尚心怡 (2020-2023, UCL读博): 联邦学习
- 张易亮 (2021-2024, 就职于阿里巴巴): 噪声标签学习
- 金焱 (2021-2024, 北航读博): 长尾学习
- 黄晓琳 (2021-2024, 就职于京东): 半监督学习
- 吕凤玲 (2021-2024, 就职于小米): 联邦学习
- 郑程斌 (2021-2024, 就职于宁德时代): 图神经网络
- 洪晨星 (2022-): 持续学习
- 陈霖 (2022-): 联邦学习
- 王李媛 (2022-): 长尾学习
- 刘艺杰 (2023-): 联邦学习
- 严珊珊 (2023-): 联邦学习
- 陈奕州 (2023-): 半监督学习
- 刘赫昭 (2023-): 持续学习
- 陈姝 (2023-): 噪声标签学习
- 黄增辉 (2024-): 长尾学习
- 张瑞弛 (2024-): 长尾学习
- 陈俊鹏 (2024-): 长尾学习
- 侯世豪 (2024-): 联邦学习