头像
谢海辉
讲师（高校）
计算机与信息学院
行政职务：
暂无
技术职称：
讲师（高校）
最后学位：
工学博士学位
电    话：
13246862618
电子邮箱：
xiehh@fafu.edu.cn
办公地点：
田C-414
通讯地址：
福建省仓山区上下店路15号
邮    编：
362615

您是第10 位访问者

  •   本人致力于面向机器学习的高效通信的关键技术研究，主要包括三项研究内容：基于信号特征的高效信号重构技术、面向多任务学习的高效资源分配技术和基于异步参数共享的分布式联邦学习技术。在研究过程中，主要提出了多项新颖的研究思路与方法：通过学习稀疏性结构来促进最稀疏信号的重构、通过凸对偶正则项来准确地恢复低秩矩阵、通过以多任务的学习误差为优化目标来有效地分配无线资源、通过异步参数共享机制为去中心化模型减少分布式节点与通信方式对机器学习性能的影响等。相关的研究成果发表在国际权威IEEE Transactions on Wireless Communications、IEEE Communications letters 等上，以及著名国际会议 IEBE TENCON 2022上，还有部分高质批论文处于审稿过程当中。


  • 教育经历

    1. 2017/09 -- 2023/06，中山大学，    信息与通信工程，        博士

    2. 2014/09 -- 2016/06，福建师范大学，光学工程，                硕士

    3. 2010/09 -- 2014/06，福建师范大学，光信息科学与技术，学士

  • 工作经历

    1. 2016/07 -- 2017/03，  厦门同致电子科技股份有限公司，算法工程师

    2. 2017/04 -- 2017/08，  新大陆股份有限公司，算法工程师

    3. 2024/01 -- 至今，  福建农林大学，计算机与信息学院，讲师

    4. 2025/06 -- 至今，  香港中文大学（深），大数据研究院，双聘科学家

    4. 2026/05 -- 2027/05，  香港大学，电机电子工程学系，助理研究员

    • 研究领域

    边缘智能、联邦学习、信号处理、优化理论分析、分布式学习等


    开授课程

    物联网导论、矩阵分析等


    科研项目

    1、福建省工业和信息化厅, 福建省软件业技术创新重点攻关及产业化项目, 闽工信函软件[2024]488号, 云边端协同的地质灾害监测智能终端与系统的研发及产业化，2024/09~2025/08，参与。

    本项目拟研发“云边端协同的地质灾害监测智能终端与系统” ，实现对地质灾害类型实时智能监测、风险评估和预警，采用云边端协同技术对地质灾害发生后的情况进行评价。监测智能终端采用多模态融合感知技术和边缘计算技术，对空天地多模态数据进行实时、全方位采集和处理，并采用异构组网技术通信。

    l  本人研究自适应生成数据的分布与复杂感知场景变化的学习模型。该模型能自适应感知场景的变化，学习数据的异构性；交叉梯度的设计能提高算法的收敛效率与准确性，对基于复杂多变场景的异构数据采集与模型学习有很好的自适应性。

    l  本人建立聚合周期次数与学习目标函数的关系，并提出资源分配的优化模型。我们考虑联合通信和计算资源分配来加速训练过程，优化训练批量大小。为实现最佳学习性能，训练批量大小依据无线信道条件进行动态调整。

    2、NSFC-广东联合基金，“低时延、高安全物联网关键技术研究”，2021/01~2024/12，参与。

    本项目针对窄带物联网的数据安全与隐私、收发端功耗高和方案可定制化弱等缺点，提出自主可控的低时延、高安全物联网等关键技术。本人主要针对大规模物联网存在数据传输不稳定、同信道干扰等问题，提出具有自适应稀疏性结构学习的窄带宽信号恢复算法。每次迭代通过估计重构信号的稀疏性结构，来构造自适应的正则项，从而恢复出更稀疏的信号。相比传统的算法，收敛更稳定，并能抑制部分噪声干扰的影响。


    论文著作

    1. H. Xie, M. Xia*, P. Wu, S. Wang, and H. Vincent Poor, “Edge Learning for Large-scale Internet of Things with Task-oriented Efficient Communication,” IEEE Trans. Wireless Commun., vol. 22, no. 12, pp. 9517-9532, Dec. 2023.

    2. H. Xie, P. Wu, F. Tan, and M. Xia*, “Adaptively Regularized Compressive Sensing with Sparsity Bound Learning,” IEEE Commun. Lett., vol. 25, no. 4, pp. 1283-1287, Apr. 2021.

    3. H. Xie, M. Xia*, P. Wu, S. Wang, and K. Huang, “Decentralized Federated Learning with Asynchronous Parameter Sharing for Resource-limited Wireless Networks,” IEEE Internet Things J., vol. 11, no.21, pp. 34123-34139, Nov. 1, 2024.

    4. H. Xie, S. Chen*, Z. Shu, and F. Tan, “Decorrelation Spectrum Sensing Model with Structural Information Learning,” Digit. Signal Process., 2025.

    5. H. Xie, W. Wen, S. Chen, Z. Shu, and M. Xia*. “Energy-Efficient Federated Edge Learning For Small-Scale Datasets in Large IoT Networks,” IEEE Trans. Wireless Commun., Major.

    6. H. Xie, S. Chen*, Z. Shu, and F. Tan, “Edge Learning for Large-scale Internet of Things: Task-oriented Efficient Communications,” Proc. IEEE Reg. Conf. (TENCON), Hong Kong, 2022, pp. 1-6.

    7. H. Xie, M. Xia*, P. Wu, S. Wang, and K. Huang, “Decentralized Federated Learning with Asynchronous Parameter Sharing,” Proc. IEEE Inter. Conf. Commun. China (ICCC), Dalian, China, 2023, pp. 1-6.


    科技成果