报告题目：From Federated Learning to Federated Optimization
报告人：德国比勒菲尔德大学金耀初教授
报告时间：2022年11月17日（周四）下午16:30
报告地点：腾讯会议（会议号：530 229 406，密码：221117）
主持人：邢焕来副教授
报告摘要：
Data-driven optimization problems are commonly seen in the real-world, ranging from engineering design to drug discovery, to automated architecture search of deep neural networks. This talk begins with an introduction to some recent advances in privacy preserving and secure federated learning, followed by a brief introduction to data-driven optimization. Then, we present two privacy-preserving data-driven optimization algorithms, highlighting how federated learning and other privacy preserving techniques can be integrated with data-driven evolutionary optimization and Bayesian optimization when the data for optimization are distributed and subject to privacy constraints.

报告人简介：
金耀初，欧洲科学院院士、IEEE Fellow。目前为德国比勒菲尔德大学“洪堡人工智能教席”教授，兼任英国萨里大学计算机系“计算智能”讲席教授。曾任芬兰国家技术创新局“芬兰杰出教授”、澳大利亚悉尼科技大学“杰出访问学者”。长期从事人工智能与计算智能的理论、算法和工程应用研究，特别是数据驱动的复杂系统进化优化、进化多目标机器学习、联邦学习与安全机器学习、演化发育系统与形态发育机器人学等。金耀初教授已发表学术论文400余篇，获美国、欧盟和日本专利9项。入选Web of Science 2019-2021年度 “全球高被引科学家”。多次获“IEEE进化计算汇刊优秀论文奖”及“IEEE 计算智能杂志优秀论文奖”。曾任IEEE计算智能学会副理事长、《IEEE认知与发育系统汇刊》主编、IEEE Distinguished Lecturer。目前为《复杂与智能系统》主编。