干皓丞

Université de Pékin

• Prix d'excellence académique (avr. 2024)

Université des sciences et technologies de Lunghwa

• Prix d'excellence académique (nov. 2012, avr. 2013, oct. 2013, mai 2014)
• Mineures : Fintech ; Innovation et entrepreneuriat

Foxconn Technology Group

• Systèmes embarqués et technologies AIOT
• Intelligence artificielle et apprentissage profond
• Amélioration des lignes de production industrielles

Université de Pékin

• Maintenance des systèmes web
• Chargé de TD en intelligence artificielle et cryptographie
• Tâches administratives au bureau

OxBridge Consulting Inc

• Conception d'interfaces utilisateur
• Développement front-end et back-end
• Tests fonctionnels des systèmes
• Langages et logiciels : JavaScript, AngularJS, PHP, CSS, MySQL, AWS, Ubuntu Server

Service militaire obligatoire

• Formation militaire
• Gestion d'équipe (support quotidien, conseil, intégration des recrues, etc.)
• Aide aux opérations de secours

Université des sciences et technologies de Lunghwa

• Déploiement et maintenance des équipements réseau
• Enseignement et notation pour les cours Linux Server et programmation R

JGNet Taiwan

• Conception, installation et maintenance de réseaux haut débit pour résidences

• Programmation R, PHP, JavaScript, Java, Python, C#, Visual Basic, CSS
• Serveurs Ubuntu, RedHat, SuSE, Windows Server
• Données MariaDB, Oracle 11g, MS SQL, Hadoop
• Gestion de projet GitHub, Git
• Frameworks web Laravel, Angular, React, Vue, Python Flask
• Publication LaTeX, Microsoft Word
• DevOps Docker, AWS
• Frameworks ML 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)

• Description L'apprentissage automatique distribué offre un fort potentiel pour la segmentation d'images médicales en diagnostic clinique et planification thérapeutique. Cependant, l'entraînement collaboratif entre centres médicaux est fondamentalement contraint par des exigences strictes de confidentialité, ce qui limite le partage des données et freine un déploiement à grande échelle. Cet article présente KoalaMamba, une méthode pratique d'apprentissage fédéré (FL) pour la segmentation médicale préservant la vie privée, compatible avec plusieurs optimiseurs FL. KoalaMamba intègre la confidentialité différentielle (DP) côté client dans l'entraînement fédéré, rendant statistiquement difficile d'inférer si un enregistrement individuel a participé à l'apprentissage, atténuant ainsi les risques de fuite et protégeant la confidentialité institutionnelle. Pour améliorer précision et généralisation, KoalaMamba utilise des architectures Vision Mamba UNet configurables (VMUNet, HVMUNet, VMUNetV2) comme backbones. Sur le benchmark ISIC 2018 de segmentation dermoscopique, KoalaMamba obtient des performances compétitives dans divers réglages FL. En particulier, sous SCAFFOLD Non-IID avec DP activée via Moment Accountant (MA) à ε=10 et δ=10⁻⁵, elle atteint 0,7822 IoU et 0,8778 DSC. Ce résultat sous contrainte DP surpasse nettement la baseline UNet et reste compétitif face à de solides backbones Mamba sans DP. De plus, dans des expériences d'évaluation de la confidentialité, une DP à budget plus serré (ε=1) réduit le taux de succès d'attaque (ASR) de 0,92 à 0,19 et l'AUC d'inférence d'appartenance de 0,89 à 0,51, montrant que KoalaMamba atténue efficacement les fuites tout en préservant une utilité de segmentation pratique.
• Mots-clés Apprentissage fédéré, Préservation de la vie privée, Segmentation d'images médicales

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

• Description Dans le domaine médical, la rareté et la sensibilité des données d'imagerie posent des défis majeurs au développement de modèles de segmentation précis et respectueux de la vie privée. Cet article propose le cadre Optimized Training with Trustworthy Enhanced Replication (OTTER) via diffusion et VMUNet fédéré pour y répondre. OTTER s'appuie sur des modèles génératifs de diffusion pour synthétiser des images médicales diversifiées et de haute fidélité, reflétant la distribution statistique des données réelles sans exposer directement les informations patients. Ces échantillons synthétiques sont filtrés par un estimateur bayésien de qualité afin de n'entraîner que des données fiables et représentatives. Ces répliques de confiance sont intégrées à un pipeline d'apprentissage fédéré basé sur VMUNet, architecture de segmentation à espace d'états permettant un entraînement décentralisé entre centres médicaux sans partage des données brutes. Des expériences sur plusieurs jeux de données publics de segmentation médicale montrent qu'OTTER atteint des performances compétitives ou supérieures en précision, robustesse et généralisation, tout en maintenant de solides garanties de confidentialité. Nos résultats soulignent le potentiel de combiner augmentation générative et architectures fédérées pour faire avancer l'IA médicale sensible à la vie privée.
• 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
• Mots-clés Apprentissage fédéré, Préservation de la vie privée, Modèles de diffusion, Segmentation d'images médicales
• Lien https://dl.acm.org/doi/10.1007/978-981-95-3543-9_18

Système d'analyse des résultats académiques A3S (Août 2015 – Sep 2017)

• Description Projet d'analyse interactive des résultats des étudiants en gestion de l'information (entrés après 2008) : performance par type de cours, situation économique et emploi après diplôme, permettant de prédire l'évolution de carrière à partir des conditions initiales.
• Hao-Cheng Kan & Fang-Ling Lin (10 déc. 2016). The Impact of Student Loans on Academic Performance: A Cluster and Visual Analysis. 22e CSIM IMP, Taichung, Taiwan.
• Langages et logiciels R, RShiny Server, MariaDB, Ubuntu Server

Impact du désendettement des entreprises chinoises sur l'économie (Jan 2019 – Déc 2019)

• Description Cette recherche utilise d'abord le modèle DSGE pour analyser la volatilité du PIB, du taux d'intérêt annuel et de l'inflation en Chine de 1992 à 2017. Puis, à l'aide du VAR, elle montre que le désendettement des entreprises non financières a un impact négatif à court terme sur la croissance, qui diminue avec le temps ; à long terme, l'impact est minime.
• Mots-clés Équilibre général stochastique dynamique (DSGE), modèle VAR, macroéconomie, désendettement, cycle économique, Bâle III, shadow banking, filtre H-P

S-Gate : système d'apprentissage et de gestion de classe (Août 2013 – Août 2015)

• Description Système d'enseignement mobile basé sur le concept de campus numérique : simplification de la gestion des affaires étudiantes et des cours (présence par Bluetooth) ; interactions en temps réel via mobile (contenus, évaluation, discussions de groupe, Q&R).
• Langages et logiciels Node.js, JS, PHP, MariaDB, Android, Ubuntu Server