干皓丞

Peking-Universität

• Leistungsstipendium (Apr 2024)

Lunghwa University of Science and Technology

• Leistungsstipendium (Nov 2012, Apr 2013, Okt 2013, Mai 2014)
• Nebenfächer: Finanztechnologie; Innovation & Unternehmertum

Foxconn Technology Group

• Eingebettete Systeme und AIOT-Technologie
• Künstliche Intelligenz und Deep Learning
• Optimierung industrieller Produktionslinien

Peking-Universität

• Websystem-Wartung
• Tutor für KI und Kryptographie
• Büro- und Verwaltungsaufgaben

OxBridge Consulting Inc

• Benutzeroberflächen-Design
• Front- und Backend-Entwicklung
• System- und Funktionstests
• Sprachen und Tools: JavaScript, AngularJS, PHP, CSS, MySQL, AWS, Ubuntu Server

Wehrdienst

• Militärische Ausbildung
• Teamführung (tägliche Unterstützung, Beratung, Rekrutenbetreuung)
• Unterstützung bei Katastropheneinsätzen

Lunghwa University of Science and Technology

• Netzwerkausstattung: Implementierung und Wartung
• Unterstützung bei Linux-Server- und R-Programmierungskursen

JGNet Taiwan

• Planung, Installation und Wartung von Breitbandnetzen für Wohnanlagen

• Programmierung R, PHP, JavaScript, Java, Python, C#, Visual Basic, CSS
• Server Ubuntu, RedHat, SuSE, Windows Server
• Datenbanken MariaDB, Oracle 11g, MS SQL, Hadoop
• Projektmanagement GitHub, Git
• Web-Frameworks Laravel, Angular, React, Vue, Python Flask
• Satz LaTeX, Microsoft Word
• DevOps Docker, AWS
• ML-Frameworks TensorFlow, PyTorch

• e-Enterprise Data Analyst, 2016
• Red Hat Certified System Administrator (RHCSA), 2015
• Novell Certified Linux Administrator (NCLA 11), 2014
• Oracle Certified Expert (OCE 10g), 2014
• Oracle Certification for Java Programmer (OCJP 6), 2013
• IPMA Certified Project Management Associate (Level D), 2013

KoalaMamba: A Federated Method with Vision Mamba UNet for Privacy-Preserving Medical Segmentation (Jun 2026)

• Beschreibung Verteiltes maschinelles Lernen birgt großes Potenzial für die medizinische Bildsegmentierung in Diagnostik und Therapieplanung. Die kollaborative Schulung über mehrere medizinische Zentren hinweg ist jedoch durch strenge Datenschutzanforderungen grundlegend eingeschränkt, was den Datenaustausch begrenzt und großflächige Einsätze erschwert. Diese Arbeit stellt KoalaMamba vor, eine praxisnahe Methode des föderierten Lernens (FL) für datenschutzwahrende medizinische Segmentierung, die mit mehreren FL-Optimierern kompatibel bleibt. KoalaMamba integriert clientseitige differentielle Privatsphäre (DP) in das föderierte Training und erschwert es statistisch, festzustellen, ob ein einzelner Datensatz am Lernen beteiligt war – so werden Privatsphärenrisiken gemindert und institutionelle Vertraulichkeit geschützt. Zur Verbesserung von Segmentierungsgenauigkeit und Generalisierung nutzt KoalaMamba konfigurierbare Vision-Mamba-UNet-Architekturen (VMUNet, HVMUNet, VMUNetV2) als Backbones. Auf dem ISIC-2018-Benchmark zur dermatoskopischen Segmentierung erzielt KoalaMamba wettbewerbsfähige Ergebnisse in verschiedenen FL-Einstellungen. Insbesondere unter SCAFFOLD Non-IID mit DP (Moment Accountant, ε=10, δ=10⁻⁵) werden 0,7822 IoU und 0,8778 DSC erreicht. Dieses DP-beschränkte Ergebnis übertrifft die UNet-Baseline deutlich und bleibt wettbewerbsfähig gegenüber starken Mamba-Backbones ohne DP. In separaten Privatsphäre-Experimenten senkt DP mit engerem Budget (ε=1) die Angriffserfolgsrate (ASR) von 0,92 auf 0,19 und die Membership-Inference-AUC von 0,89 auf 0,51 – KoalaMamba mindert somit wirksam Privatsphärenlecks und erhält zugleich praktische Segmentierungsleistung.
• Schlüsselwörter Föderiertes Lernen, Datenschutz, Medizinische Bildsegmentierung

OTTER: Optimized Training with Trustworthy Enhanced Replication via Diffusion and Federated VMUNet for Privacy-Aware Medical Segmentation (Oct 2025)

• Beschreibung Im medizinischen Bereich erschweren Knappheit und Sensibilität von Bilddaten die Entwicklung genauer und datenschutzwahrender Segmentierungsmodelle erheblich. Diese Arbeit schlägt das Optimized-Training-Framework with Trustworthy Enhanced Replication (OTTER) mittels Diffusion und föderiertem VMUNet vor. OTTER nutzt diffusionsbasierte generative Modelle, um vielfältige, hochauflösende medizinische Bilder zu synthetisieren, die die statistische Verteilung realer Daten widerspiegeln, ohne Patientendaten direkt preiszugeben. Die synthetischen Proben werden mit einem bayesianischen Qualitätsestimator gefiltert, sodass nur zuverlässige und repräsentative Daten trainiert werden. Diese vertrauenswürdigen Replikas fließen in eine föderierte Lernpipeline auf Basis von VMUNet ein – einer zustandsraumbasierten Segmentierungsarchitektur für dezentrales Training ohne Austausch von Rohdaten. Experimente auf mehreren öffentlichen medizinischen Segmentierungsdatensätzen zeigen, dass OTTER hinsichtlich Genauigkeit, Robustheit und Generalisierung wettbewerbsfähig oder überlegen ist und starke Datenschutzgarantien wahrt. Die Ergebnisse unterstreichen das Potenzial generativer Datenaugmentation kombiniert mit föderierten Architekturen für privacy-aware medizinische KI.
• Haocheng Kan, Yuesheng Zhu, Guibo Luo, and Hanwen Zhang. OTTER: Optimized Training with Trustworthy Enhanced Replication via Diffusion and Federated VMUNet for Privacy-Aware Medical Segmentation [C]// Proceedings of the 27th International Conference on Information and Communications Security (ICICS 2025). Nanjing, China: Springer Nature, October 2025. (CCF-C) DOI: 10.1007/978-981-95-3543-9_18
• Schlüsselwörter Föderiertes Lernen, Datenschutz, Diffusionsmodelle, Medizinische Bildsegmentierung
• Link https://dl.acm.org/doi/10.1007/978-981-95-3543-9_18

A3S-Akademisches Leistungsanalyse-System (Aug 2015 – Sep 2017)

• Beschreibung Entwicklung eines interaktiven Systems zur Analyse der Studienleistungen von Informationsmanagement-Studierenden (Immatrikulation ab 2008): Leistung nach Kursart, wirtschaftliche Lage und Beschäftigung nach dem Abschluss; Vorhersage der Karriereentwicklung anhand der Ausgangsbedingungen.
• Hao-Cheng Kan & Fang-Ling Lin (10. Dez 2016). The Impact of Student Loans on Academic Performance: A Cluster and Visual Analysis. 22. CSIM IMP, Taichung, Taiwan.
• Sprachen und Software R, RShiny Server, MariaDB, Ubuntu Server

Auswirkungen der chinesischen Unternehmensentschuldung auf die Wirtschaft (Jan 2019 – Dez 2019)

• Beschreibung Die Studie nutzt zunächst ein DSGE-Modell zur Analyse der Volatilität von Gesamtproduktion, Zinssatz und Inflation in China (1992–2017). Mit einem VAR-Modell wird gezeigt, dass die Entschuldung nichtfinanzieller Unternehmen kurzfristig die Wachstumsrate negativ beeinflusst (mit abnehmender Wirkung über die Zeit), langfristig hingegen kaum.
• Schlüsselwörter Dynamisches stochastisches Gleichgewicht (DSGE), Vektorautoregression (VAR), Makroökonomie, Entschuldung, Konjunkturzyklus, Basel III, Schattenbanken, H-P-Filter

S-Gate E-Learning- und Klassenmanagementsystem (Aug 2013 – Aug 2015)

• Beschreibung Mobiles Lehrsystem auf Basis des E-Campus-Konzepts: Vereinfachung von Studierendenverwaltung und Unterrichtsmanagement (z. B. Bluetooth-Anwesenheit); Echtzeit-Interaktion per Mobilgerät (Inhalte, Bewertung, Gruppendiskussion, Q&A).
• Sprachen und Software Node.js, JS, PHP, MariaDB, Android, Ubuntu Server