Portrait de Xinting Liao

Xinting Liao

Chercheur postdoctoral émérite Vector

Xinting Liao est une chercheuse postdoctorale à l'Institut Vector, où elle est encadrée par les docteurs Xiaoxiao Li et Deval Pandya. Ses recherches actuelles portent sur l'apprentissage fédéré sur des modèles de base et la robustesse hors distribution (OOD). Elle est évaluatrice pour les conférences 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 direction des professeurs Xiaolin Zheng et Chaochao Chen. Durant ses études doctorales, elle a participé à un programme de doctorat conjoint à l'Université nationale de Singapour, sous la direction des professeurs Tat-Seng Chua et Wenjie Wang. Ses travaux antérieurs portaient sur l'apprentissage automatique fiable, et plus particulièrement sur l'apprentissage fédéré avec des données non indépendantes et identiquement distribuées (IID), les algorithmes préservant la confidentialité et les systèmes de recommandation interdomaines.

Intérêts de recherche

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

Points saillants

  • Traitement de l'hétérogénéité des données : des méthodes développées (HyperFed et FedRANE) pour atténuer l'hétérogénéité des données non-IID à l'aide d'espaces hyperboliques et de mécanismes d'attention graphique (IJCAI '23 et ACM MM '23).
  • Résolution du problème d'effondrement de la représentation : proposition de FedU2 (CVPR '24) pour empêcher l'effondrement de la représentation dans l'apprentissage fédéré non supervisé.
  • A été un pionnier de l'agrégation optimale de Pareto : a exploré un cadre d'agrégation optimale de Pareto pour équilibrer les objectifs de personnalisation locale et de généralisation globale (IJCAI '23, ACM MM '23 et CVPR '24).
  • Gestion des décalages hors distribution : Recherches menées sur FOOGD (NeurIPS '24) et FOCoOp (ICML'25) pour généraliser les modèles fédérés afin de gérer les décalages de données hors distribution dans des déploiements réels.