张浩，工学博士，哈工大计算学部&人工智能研究院副研究员，博导。属于计算学部泛在计算与智能系统研究中心。分别在2009年和2014年于中国科学技术大学获得学士和博士学位，并在南洋理工大学访学半年。现为“智慧农场技术与系统”全国重点实验室核心骨干成员，中国计算机学会（CCF）物联网专委会执行委员，中国计算机学会（CCF）数字农业专委会执行委员，ICME Aear Chair(meta reviwer), IEA/AIE 2023 PC成员，全国信标委物联网分技术委员会专家。2020年加入哈尔滨工业大学计算学部，主要研究方向包括分布式深度学习/联邦学习、时空数据处理等，近年在TGRS，TMM，IoT Journal，ACL、ICPP、EMNLP等期刊和会议发表论文20余篇，出版英文专著1部，发明专利8项。主持和参与国家自然科学基金青年项目，国家重点研发计划，黑龙江省科技计划、黑龙江省头雁团队项目等多个国家级和省部级项目。

招生

每年招收博士研究生1~2名，硕士研究生2~3名，欢迎同学交流咨询（通信方式见邮箱），希望你具有较强的进取心和求知欲，以及良好的道德品德和自律能力，在未来的几年里一起学习进步。同时，泛在计算与智能系统研究中心（Research Center of Ubiquitous Computing and Intelligent Systems）正在茁壮成长，也欢迎加入本中心大家庭。

研究领域

1. 时空数据处理：时空数据是一类与现实物理世界强相关的数据，具有时间维度和空间维度两方面的特征，记录数据在时间和空间上的状态和变化。如气象数据、交通数据、卫星遥感、视频等。目前“世界模型”的兴起，时空数据更显重要，其能提供真实物理变化，为世界模型的构建，物理规律的学习，幻觉的减弱和消除均可以提供前期基础，也是世界模型发展的潜在方向。另外，时空数据预测可以建模为计算机领域图像序列预测，通过同时考虑时间和空间的规律，预测未来数据对象的变化发展。例如气象雷达图的变化预测即为该问题的具象。通过将雷达数据看作时空序列数据，通过深度学习建模，预测雷达数据的变化。
2. 分布式深度学习训练/联邦学习：传统的AI训练通常需要将数据集中进行训练，然而由于“数据孤岛”带来的隐私问题，以及物联网的发展带来的数据弥散问题，使得联邦学习这种分布式训练方式成为了一种新的训练范式，受到目前学术界和工业界的广泛关注。然而，联邦学习仍然存在诸多挑战，包括数据异质性问题带来的性能降低，大的通信开销，公平性问题，设备异质性问题，安全性问题等等。我们通过对联邦学习的深入研究，从性能、公平性、开销等多方面考虑，旨在提升联邦学习的应用潜力，实现真正的分布式“即插即用”联邦学习。
3. 强化学习/组合优化：农机调度规划中的大面积农田作业（如耕地，除草，喷药等）需要使用多台农机共同执行。同时，由于成本、农机特点等因素决定了协同农机是异构的（大农机，小农机，无人机等），为此需要根据不同农机的特点进行作业路径规划。系统运行时，根据环境信息和控制指令的变化执行相应的行为方式，以实现在油耗、能耗、网络环境和自然环境受限的情况下，异构农业机器人群体智能的高效协作。