一、个人简介

武星皓，河南平顶山人，1999年生。郑州大学计算机与人工智能学院初聘副教授。博士毕业于北京航空航天大学计算机学院，师从IEEE Fellow牛建伟教授。本科毕业于郑州大学信息工程学院（现计算机与人工智能学院）。近五年来在 IEEE TPAMI、CVPR、NeurIPS、ICML、ICCV、IEEE TNNLS、ACM MM、KDD 等国际顶级期刊和会议发表论文20余篇。相关研究成果获 ACM SIGKDD 2025 Dataset and Benchmark Track Best Paper Runner-up Award。主要研究方向包括联邦学习、具身智能与多智能体协同、多模态表征学习等。

电子邮箱：wuxinghao@zzu.edu.cn

二、教育经历

2022–2026 北京航空航天大学，计算机系统结构，博士 （硕博连读）

2021–2022 北京航空航天大学，计算机技术，硕士 （推免）

2017–2021 郑州大学，计算机科学与技术，本科

三、工作经历

2026.09–至今 郑州大学，计算机与人工智能学院，初聘副教授

2024.11–2025.12 商汤科技，科研实习，语音大模型与语音合成方向

四、主要研究方向

联邦学习与分布式智能、具身智能与多智能体协同、多模态表征学习

五、代表性论文(*通讯作者；#共同一作)

[1] Xinghao Wu, Jianwei Niu, Xuefeng Liu, Guogang Zhu, Jiayuan Zhang, Shaojie Tang. Enhancing Visual Representation with Textual Semantics: Textual Semantics-Powered Prototypes for Heterogeneous Federated Learning. CVPR 2026. CCF-A. Highlight Paper (Top 14.1%)

[2] Yuqi Wang^#, Jianwei Niu, Xinghao Wu^#, Xuefeng Liu, Xin Hao. FedPDG: Prediction Discrepancy-Guided Data Generation for Heterogeneous Federated Learning. ICML 2026. CCF-A.

[3] Long Lan, Jingyi Wang, Xinghao Wu*, Bo Han, Xinwang Liu. Continuous Review and Timely Correction: Enhancing the Resistance to Noisy Labels via Self-Not-True and Class-Wise Distillation. IEEE TPAMI 2026. CCF-A.

[4] Xinghao Wu, Xuefeng Liu, Jianwei Niu, Guogang Zhu, Mingjia Shi, Shaojie Tang, Jing Yuan. Tackling Feature-Classifier Mismatch in Federated Learning via Prompt-Driven Feature Transformation. NeurIPS 2025. CCF-A.

[5] Jianqing Zhang, Xinghao Wu, Yanbing Zhou, Xiaoting Sun, Qiqi Cai, Yang Liu, Yang Hua, Zhenzhe Zheng, Jian Cao, Qiang Yang. HtFLlib: A Comprehensive Heterogeneous Federated Learning Library and Benchmark. ACM SIGKDD 2025. CCF-A. Dataset and Benchmark Track Best Paper Runner-up Award

[6] Xinghao Wu, Jianwei Niu, Xuefeng Liu, Shaojie Tang, Wangyu Lin, Jiannong Cao. The Diversity Bonus: Learning from Dissimilar Clients in Personalized Federated Learning. IEEE TNNLS 2025. CCF-B.

[7] Xinghao Wu, Xuefeng Liu, Jianwei Niu, Haolin Wang, Shaojie Tang, Guogang Zhu, Hao Su. Decoupling General and Personalized Knowledge in Federated Learning via Additive and Low-Rank Decomposition. ACM MM 2024. CCF-A.

[8] Xinghao Wu, Xuefeng Liu, Jianwei Niu, Guogang Zhu, Shaojie Tang. Bold but Cautious: Unlocking the Potential of Personalized Federated Learning through Cautiously Aggressive Collaboration. ICCV 2023. CCF-A.

六、奖励与荣誉

·ACM SIGKDD 2025 Dataset and Benchmark Track Best Paper Runner-up Award

·博士研究生国家奖学金

·本专科生国家奖学金

·北京市优秀毕业生

·河南省优秀毕业生

七、招生与学生培养

长期欢迎硕士研究生和优秀本科生加入！尤其欢迎本科生提前进组参与科研。

我希望您是这样的：

1.对人工智能和新技术真正感兴趣，愿意主动探索问题；

2.乐观开朗，善于沟通，遇到困难时能够及时与导师交流，共同分析和解决问题；

3.具有一定的编程和数学基础，愿意持续提升自己的能力；

4.做事情认真负责，遇到困难愿意坚持把问题弄明白。

希望大家在一个相对轻松、坦诚的氛围里讨论问题，一起把真正有意思的工作做出来。

您可以获得：

科研指导：从选题、实验到论文写作，提供全流程手把手科研指导，逐步培养独立科研能力。

前沿方向：既包括联邦学习等已有扎实研究积累，也包括具身智能、多智能体、大模型等快速发展的新方向。鼓励结合兴趣探索有价值的研究问题。

就业资源：与字节、阿里、腾讯、商汤等科技企业及中国石油、河南烟草、河南电网等行业单位保持密切交流。满足毕业条件支持学生赴企业实习，拓展产业视野，提升就业竞争力。

升学发展：支持有志于继续深造的学生攻读博士学位，表现优异者可推荐至北航、浙大、武大等知名高校进一步深造。

不同年级、不同基础都欢迎联系。对于低年级本科生，可以从论文阅读、代码复现和简单科研任务逐步开始；对于高年级本科生和研究生，会结合个人基础和发展目标确定相对独立的研究课题。