黄涛

姓名：黄涛

职称：讲师

最高学历：博士研究生

最高学位：工学博士

电子邮箱：huang-tao@ruc.edu.cn

教育背景：

2012年9月-2016年6月 北京交通大学,自动化专业，本科

2016年9月-2022年12月 中国人民大学,计算机应用技术专业，博士

项目经历：

1.国家自然科学基金委员会, 面上项目, 62072460, 机器学习中的隐私保护技术, 57万元, 资助期满, 参与

2.福建省科技厅, 自然科学基金, 2024J08276, 防御性能可调的梯度隐私保护技术研究,, 8万元, 在研, 主持

3.福建省教育厅, 中青年教育科研重点项目, JZ230044, 面向海洋数据的隐私量化分析技术的研究, 32万元, 在研, 主持

4.横向项目，基于最优特征集的多模型动态融合短期负荷预测关键技术研究,国网福建自控项目, 50万元, 在研, 主持

5.横向项目, 基于差分隐私的电力电量数据安全发布技术研究,国网福建自控项目, 50万元, 在研, 主持

6.横向项目, 用户侧电力电量波动特性分析方法及模型策略优化研究,国网江西自控项目, 31万元, 在研，主持

研究成果：

以第一作者或通讯作者发表论文10 余篇，包括人工智能顶级会议 AAAI、CVPR，自然语言处理顶级会议 EMNLP，国际顶刊 IEEE Wireless Communications 、 Communications of the ACM 等。代表性研究成果：

1. Tao Huang; Su-Yun Zhao; Hong Chen; Yi-Xuan Liu ; Improving Parameter Estimation and Defensive Ability of Latent Dirichlet Allocation Model Training Under Rényi Differential Privacy, Journal of Computer Science and Technology. (CCF B)

2. Tao Huang; Hong Chen ; Improving privacy guarantee and efficiency of Latent Dirichlet Allocation model training under differential privacy, The 2021 Conference on Empirical Methods in Natural Language Processing. (CCF B,自然语言处理顶级会议)

3. Hou C, Huang T, Huang Q, Yang X, Wang X, Hu J, et al.. Adaptive Gradient Methods for Differentially Private TinyML in 6G[J]. IEEE Wireless Communications, 2026. (SCI 1区，影响因子：13.1)

4. Zheng G, Xu C, Zhang J, et al. Hierarchical Graph Neural Networks for Resilient Intrusion Detection in Consumer IoT With Limited Labeled Data[J]. IEEE Transactions on Consumer Electronics, 2025. (SCI 2区)

5. Huang T, Chen Z, Meng J, Huang Q, Yang X, Yi X, Khalil I. Machine Unlearning with

6. Minimal Gradient Dependence for High Unlearning Ratios[J]. Communications of the ACM, 1(1), 2026. (JCR Q1，影响因子：20.3)

7. Meng J, Huang T, Chen H, Hou C, Zheng G. Enhanced Privacy Leakage from NoisePerturbed Gradients via Gradient-Guided Conditional Diffusion Models[C]. Proceedings of the 40th Annual AAAI Conference on Artificial Intelligence, 2026. (CCF A)

8. Huang T, Meng J, Zheng G, Chen H, Yang X, Hou C . PLR-Gate: Real-Time Gradient Privacy Assessment and Gated Transmission for Secure Federated Learning[C]. Proceedings of the 53th Conference on Computer Vision and Pattern Recognition, 2026. (CCF A)

研究方向与招生需求：

研究方向：近五年研究方向为差分隐私、时间序预测、智能体隐私。

招生要求：熟悉gemini 、 GPT 等使用方法的同学优先；有一定的英文文献阅读能力；对 pycharm 、 vscode 等熟悉的同学优先；了解常用的深度学习模型；动手能力强，有复现 GitHub 上代码经验的同学优先；

学生培养：每周定期1次大组会指导，每周内小组会指导1-2 次；提供科研补助，论文发表绩效等；