Name: lobster
Address: CN

實驗室主要研究領域

本實驗室專注於人工智慧、資料科學、圖演算法的跨領域研究，包含隱私保護、機器學習與資料探勘、圖機器學習、AI與大型語言模型應用、AI於心理健康的預測以及圖演算法等研究領域。

隱私保護、機器學習與資料探勘

隨著人工智慧的快速發展，機器學習和資料探勘在醫療、金融、製造、安全等領域展現巨大潛力。然而，這些技術高度依賴敏感資料，這帶來了資料隱私洩露和模型未授權使用的風險，威脅到智慧財產的保護。如何在保障資料隱私與模型安全的同時，提升模型效能與應用價值，成為一項重要挑戰。我們的研究包含與區塊鍊整合之聯邦學習系統與深度學習浮水印技術，既能保護模型的智慧財產權，亦能提升演算法在大規模資料上的效率，實現隱私保護與效能的平衡。

圖機器學習

隨著巨量資料和人工智慧技術的發展，圖 (Graph) 資料的應用場域迅速增多，如推薦系統、社群網路分析與知識圖譜等。圖資料的高維度與結構化特性，使得模型能有效探勘節點間複雜的關聯並發現潛在資訊。然而，這些特性也帶來了一些挑戰，包括如何處理圖資料的結構多樣性以及提升模型在大規模圖資料上的運算效率和精度。因此，針對圖資料的機器學習技術研究，不僅在學術上具有重要價值，也對人工智慧技術在真實場域中的應用起到關鍵作用。

AI與大型語言模型應用

大型語言模型（LLM）已成為推動自然語言處理（NLP）進步的核心技術，並廣泛應用於智慧客服、推薦系統等領域。然而，LLM在多模態數據處理、運算效率及資料隱私保護方面仍面臨挑戰。如何提升其跨場域應用能力並確保模型穩定性與安全性，是當前的重要研究方向。我們專注於設計技術框架，結合圖神經網路（GNNs）進行深度分析，並優化模型壓縮與隱私保護方法，推動LLM在多元場景中的高效應用。

AI於心理健康的預測

隨著心理健康問題的加劇，使用人工智慧技術進行心理健康的早期預測與干預已成為一項重要挑戰。焦慮、憂鬱和網路成癮等問題對個人和社會造成嚴重影響，也給現有醫療體系帶來沉重壓力。如果能即時且準確地識別高風險群體，並探索其社群特徵與心理健康問題的關聯，將顯著提升干預的有效性。我們的研究結合社交網路分析、深度學習和網路干預 (Network Intervention)的概念，設計出符合隱私保護需求的預測工具，以提升人們的心理健康。

圖演算法 (Graph Algorithms)

圖演算法可作為分析社群網路結構、理解群體行為和追蹤資訊流動的關鍵技術，其應用領域非常廣泛，包含社群偵測、推薦系統和資料隱私保護等領域。然而，圖資料的結構複雜性與動態性帶來許多挑戰，特別是在處理密集社群查詢和個人化需求時，需要設計高效且靈活的演算法。