Novi Quadrianto

Investigador Asociado ELLIS Scholar

Novi Quadrianto es actualmente catedrático de Machine Learning en la Universidad de Sussex, Reino Unido. Antes de estar en la Universidad de Sussex, Novi fue investigador Newton International Fellow de la Royal Society y la British Academy en el Machine Learning Group del Departamento de Ingeniería de la Universidad de Cambridge, Reino Unido. Obtuvo su doctorado en Computer Science por la Australian National University, Canberra, Australia, en 2012.

En 2019 recibió una ERC Starting Grant del Consejo Europeo de Investigación para desarrollar modelos y algoritmos Bayesianos centrados en la equidad y la transparencia de los sistemas de inteligencia artificial (proyecto BayesianGDPR).

Desde marzo de 2021 también dirige el Laboratorio Estratégico de Aprendizaje Automático Confiable (Trustworthy Machine Learning) de BCAM, impulsado en el marco de la acreditación Severo Ochoa en España. Además, desde julio de 2022 ocupa un puesto como profesor adjunto en la Universidad de Monash, Indonesia.

Para más información, puede consultarse https://wearepal.ai/

Publicaciones en asociación con ELLIS Alicante.

2025

10/14
Dubrovnik, HR

Németh, G. D., Fanì, E., Ng, Y. J., Caputo, B., Lozano, M. A., Oliver, N., & Quadrianto, N. (2025, octubre). FedDiverse: Tackling Data Heterogeneity in Federated Learning with Diversity-Driven Client Selection. In 3rd IEEE International Conference on Federated Learning Technologies and Applications (FLTA25).

02/27

Németh, G. D., Lozano, M. A., Quadrianto, N., & Oliver, N. (2025). Privacy and Accuracy Implications of Model Complexity and Integration in Heterogeneous Federated Learning. IEEE Access, 13, 40258-40274.

2023

11/29

Németh, G. D., Lozano, M. A., Quadrianto, N., & Oliver, N. (2023). Addressing Membership Inference Attack in Federated Learning with Model Compression. arXiv preprint:2311.17750.

2022

12/21

Németh, G. D., Lozano, M. A., Quadrianto, N., & Oliver, N. (2022). A Snapshot of the Frontiers of Client Selection in Federated Learning. Transactions on Machine Learning Research.