Tir à la tête de Xinting Liao

Xinting Liao

Boursier postdoctoral distingué Vector

Xinting Liao est chercheuse postdoctorale à l’Institut Vector, où elle est encadrée par le Dr Xiaoxiao Li et le Dr Deval Pandya. Ses recherches actuelles portent sur l’apprentissage fédéré sur les modèles de fondation et la robustesse hors distribution (OOD). Elle agit comme évaluatrice sur NeurIPS, ICML, ICLR, AAAI, CVPR, ACM MM, TPAMI et ACL ARR.

Elle a obtenu son doctorat à l’Université du Zhejiang en juin 2025, sous la supervision des professeurs Xiaolin Zheng et Chaochao Chen. Pendant ses études doctorales, elle a participé à un programme conjoint de doctorat à l’Université nationale de Singapour sous la supervision du professeur Tat-Seng Chua et de Wenjie Wang. Ses travaux antérieurs exploraient l’apprentissage automatique fiable, avec un accent particulier sur l’apprentissage fédéré avec des données non-IID, les algorithmes de protection de la vie privée et les systèmes de recommandation inter-domaines.

Intérêts de recherche

  • Apprentissage fédéré sur des modèles de fondation
  • Robustesse hors distribution
  • Apprentissage automatique fiable

Faits marquants

  • Hétérodégénéité des données abordées : A développé des méthodes (HyperFed et FedRANE) pour atténuer l’hétérogénéité des données non-IID en utilisant des espaces hyperboliques et des mécanismes d’attention aux graphes (IJCAI '23 et ACM MM '23).
  • Effondrement de la représentation résolue : FedU2 proposé (CVPR '24) pour prévenir l’effondrement de la représentation dans l’apprentissage fédéré non supervisé.
  • Pionnier de l’agrégation Pareto-Optimal : Exploration d’un cadre d’agrégation Pareto-optimal pour équilibrer la personnalisation locale et les objectifs de généralisation globale (IJCAI '23, ACM MM '23 et CVPR '24).
  • Gestion des décalages hors distribution : A mené des recherches sur FOOGD (NeurIPS '24) et FOCoOp (ICML'25) pour généraliser les modèles fédérés afin de gérer les déplacements de données OOD dans des déploiements réels.