职称：准聘教授
联系电话：
E-mail：379068433@qq.com（hanrui@bit.edu.cn )
通信地址：
小我私家信息
韩锐，教授、博士生导师，国家级青年人才。2010年结业于清华大学并获优秀硕士结业生，2014年博士结业于伦敦帝国理工学院。主要研究偏向是：边缘智能、具身智能，专注端侧大模型训练技术，包罗单设备多模态大模型、漫衍式多设备协同训练、开放情况宁静防护。
主持国家自然科学基金青年/面上项3项，及工信部高质量生长专项和国家自然科学基金重点项目课题。研究结果在ACM MobiCom，IEEE INFOCOM，TC，TPDS，TDSC，TKDE等CCF A类、SCI一区聚会会议期刊发表论文40余篇，授权发现专利十余项。获CCF-A类聚会会议MobiCom 2021最佳社区论文亚军奖（Best Community Paper Award Runner-up）、德国纽伦堡发现展银奖(序1)，作为副主编编写教材《物联网技术概论 第3版》，获评工信部工程硕博士精品教材。上述学术结果指导研制了面向国防宁静的资源感知边缘侧模型训练系统和智能汽车模型训练系统。
多次担任漫衍式系统、云盘算、边缘盘算领域重要聚会会议法式委员，包罗CCF推荐聚会会议ACM EuroSys, KDD, Middleware, ICDCS，DSN，CCGrid，CLOUD ，ICCCN等。多次担任BPOE大数据基准测试国际研讨会大会主席，以及高水平IEEE/ACM Transaction学术期刊客座编辑、审稿人。
招生计划：每年招收博士生1人，硕士研究生2～3人。
联系方式：hanrui@bit.edu.cn（379068433@qq.com）
科研偏向
端侧大模型训练技术
1. 单设备多模态大模型：
1.1. 配景动机：服务器模型预训练无法应对模型部署后的未知场景，亟需研究端侧模型实时演化/重训技术。
1.2. 要害技术：巨细模型协同训练、神经元粒度模型缩放，实现高精度、低开销端侧训练。
1.3. 应用场景：边缘侧智能制造、车联网。
2. 漫衍式多设备协同训练：
2.1. 配景动机：传统AI巨头集中式高成本模型训练，正向数据漫衍式处置惩罚、小算力充实利用的去中心化模型训练演化。
2.2. 要害技术：去中心联邦学习、强化学习驱动的交互式协同训练（情况交互、机机交互），实现异构设备知识正迁移。
2.3. 应用场景：具身智能体（人形机械人、无人机/车/艇、巡飞弹）。
3. 开放情况宁静防护：
3.1. 配景动机：在万物互联时代，模型宁静范式正由服务器端预界说场景防护，转变为输入漫衍连续变化的开放场景防护。
3.2. 要害技术：端侧性能、精度、宁静多目标优化，实现轻量化宁静和隐私掩护。
3.3. 应用场景：具身智能、数据中台。
代表性学术结果
代表作及链接：
（1）移动端神经网络模型运行优化（2021年北京市本科毕设优秀指导教师）：LegoDNN: Block-grained Scaling of Deep Neural Networks for Mobile Vision，发表CCF A类聚会会议ACM MobiCom 2021，获Best Community Paper Runner-up Award，链接：https://www.bit.edu.cn/xww/xzw/xsjl1/b6fd821190c64afaa3790a6ddeb465a8.htm
（2）漫衍式边缘端联邦学习训练优化（2022年北京市本科毕设优秀指导教师）：Fedknow: Federated continual learning with signature task knowledge integration at edge[100]，发表CCF A类聚会会议IEEE ICDE 2023长文，链接：https://github.com/LINC-BIT/FedKNOW
肩负科研情况
所获奖励
社会兼职
备注
Google学术：https://scholar.google.com/citations?user=pFFQdo0AAAAJ&hl=en
英文主页：https://sites.google.com/site/hanruisystem/