orion-orion Goto Github PK

followers: 154.0 following: 49.0 repos: 21.0 gists: 0.0

Name: Hongyu Zhang

Type: User

Company: Harbin Institute of Technology (Shenzhen)

Bio: Federated Learning | Graph ML | RecSys | former captain of @SCPCLab

Location: Shenzhen, China

『不思善，不思恶，正与么时，那个是明上座本来面目？』

                                                                                                              
                                             ##################                                               
                                           ##########################                                         
                                         ##############################(                                      
                                        #################################                                     
                                        ##################################                                    
                                       *################################## #########                          
                                 ###################################################                          
                                #####################################################                         
                                  ##################################################,                         
                                    , /#############################################                          
                                      ################################## #########                            
                                   .  #################################  #########/                           
                                     * ,##############################   #########                  #######   
#####/                                   #########* ################%##  #########             ########  #####
#  ########                               #%  #####################*#   ,##########        #########       ,##
      #########                                  #######(.## # ,#        ##########    #####    #######    ###
   #######    ######,            ,#             #########    /&       ###################       ########   ,##
  ########      (###################      (###################,     %#############    ######     #######     #
  #######     ######        ####  #### ########################### ####  ########    &#######      #####&     
  ######     ########     #######   #################################    #######     (#######       #####     
  ####       #######     ######## ###################################### #######       ######         ###     
  ###        ######      %######################################################        #####           #     
 .#          #####        #####%#########################################  #####         &###                 
             ####         ####& #########################################% .####           ##                 
             ##(          ####  #########################################   ,###            #                 
             %            ###   #########################################     #/                              
                           &   ###########################################                                    
                              #############################################                                   
                              ##############################################                                  
                             ########%#############################,########                                  
                             ########  ############################ (#######&                                 
                         &##########   ############################  &###########                 .###        
     ####            ##############    ############################    ##############            ###          
 .   #######     ################      #############################    &################,    ##############*#
##############################         ############################         ##################################
#########################%            .#############################            ############################ *
#####################                ################################                #########################
           &####                    ###################################                   #########       ##

Enthusiastically, sympathetically, firmly...

I'm HongYu Zhang, a postgraduate student from Sichuan, China. I love reading📚, writing✏️, and drawing🎨~

🏫 Edu: @Harbin Institute of Technology (Shenzhen), CS
🔭 Research: Federated Learning / Graph ML / RecSys
⚒️ Tools: C / Java / Python, Tensorflow / Pytorch, Hadoop / Hive / Spark
📗 Blog: https://www.cnblogs.com/orion-orion/

📕 Latest Blog Post

📊: Weekly development breakdown

Python       10 hrs 21 mins  ███████████████████▒░░░░░   77.49 %
Markdown     2 hrs 46 mins   █████▒░░░░░░░░░░░░░░░░░░░   20.73 %
Text         6 mins          ▒░░░░░░░░░░░░░░░░░░░░░░░░   00.81 %
Git Config   6 mins          ▒░░░░░░░░░░░░░░░░░░░░░░░░   00.77 %
Other        1 min           ░░░░░░░░░░░░░░░░░░░░░░░░░   00.13 %

Hongyu Zhang's Projects

aiflow

🎈 2020年**高校计算机大赛(C4)－网络技术挑战赛EP2决赛赛项：基于CNN+LSTM时空神经网络的在线流量分类模型。

cdsrec

🔨 跨域序列推荐（Cross-Domain Sequential Recommendation）的算法工具箱，旨在提供序列推荐、跨域推荐、跨域序列方法的baseline实现。目前本工具箱已包括TiSASRec、CoNet、PINet、MIFN这四种方法的实现。

cloze_test

🎈 2020-2021年ASC世界大学生超级计算机竞赛第3题使用ALBert模型完成完形填空的NLP任务

commoditymanagmentsystem-qt

⚙ 本项目为SWPU程序设计综合实践大作业用C++结合Qt框架写的程序设计实践大作业《京东物流管理系统》

distributed-ml-pyspark

🔨 使用Spark/Pytorch实现分布式算法，包括图/矩阵计算（graph/matrix computation）、随机算法、优化（optimization）和机器学习。参考刘铁岩《分布式机器学习》和CME 323课程

🔨 A toolbox for federated learning, aiming to provide implementations of FedAvg, FedProx, Ditto, etc. in multiple versions, such as Pytorch/Tensorflow, single-machine/distributed, synchronized/asynchronous.

fedcom

🔬 FedCom为SWPU2022届本科毕业设计《基于社区检测的多任务聚类联邦学习》。本研究提出了一种多任务聚类联邦学习（clustered federated learning, CFL）的新方法，该方法的特点是基于社区检测（community detection）来进行聚类簇的动态划分。

feddcsr

🔬 This is the source code and baselines of our SDM'24 paper FedDCSR: Federated Cross-domain Sequential Recommendation via Disentangled Representation Learning.