研究方向
联邦学习
实验室在联邦学习理论与应用方面取得多项突破性进展。在客户端优化、公平性保障、隐私保护等方面攻克异构数据客户端聚类、多样化采样、联邦遗忘等关键算法难题，推动联邦学习在跨域推荐、异构数据分布等场景的创新应用。多项成果已被ICML、NeurIPS、AAAI等国际顶级会议以及IEEE TKDE等权威期刊录用。
大模型（推理、MOE、多模态）
实验室在大模型架构与跨模态时空推理方面已推出五项代表作：DynMoE (ICLR 2025) 与 TRACE (ICLR 2025) 分别实现动态 MoE 调优和因果事件链长视频定位；VTG-LLM (AAAI 2025) 将时间戳知识嵌入视频 LLM，零样本刷新多项基准；NLPrompt (CVPR 2025) 提出 PromptMAE 与 PromptOT 两项关键技术，显著提升视觉语言模型在提示学习中的鲁棒性；Difficult Task Yes but Simple Task No (EMNLP 2024 Findings) 构建 LazyBench 基准，揭示多模态大模型在简单任务上的“惰性”现象，并通过思维链推理初步缓解该问题。多篇成果已被 ICLR、AAAI、CVPR 等顶会录用，期待你的加入共拓智能边界！
电动车充电优化与智能
T-lab实验室聚焦交通电动化进程中的充电系统优化问题，致力于构建智能高效的充电服务生态。我们通过电动汽车用户行为建模、充电站科学选址、动态调度算法优化、充电服务定价策略研究等关键技术攻关，系统解决交通电动化带来的核心挑战：保障大规模充电负荷下的电网稳定运行，缓解充电需求激增导致的交通拥堵，构建兼顾充电站经济效益与用户充电体验的可持续发展体系。