近日,beat365vip官网登录入口统计与数据科学学院周兴才教授团队(博士生杨光和硕士生郑昊天)与加拿大阿尔伯塔大学孔令龙教授和东南大学曹进徳院士合作完成的学术论文“FedFask: Fast Sketching Distributed PCA for Large-Scale Federated Data”在线发表于人工智能顶级期刊IEEE Transactions on Pattern Analysis and Machine Intelligence (TPAMI)。该期刊科学引文索引影响因子为18.6,中科院分区一区顶级。研究成果主要聚焦于大尺度联邦数据的统计机器学习基础方法主成分分析(PCA)。作为最流行的线性降维工具之一,PCA能够从原始数据中提取主要信息,同时过滤无关信息。该方法已广泛应用于机器学习、统计学、信息检索、生物医学和图像处理等多个科学领域。当数据特征维度超高时,例如全基因组关联分析(GWAS)中特征可达数十万至数百万,这给传统PCA方法带来难以承受的通信负担和计算复杂度。研究提出了一种新算法 FedFask(Fast Sketching for Feder
2025-12-04