机器学习算法设计与理论分析，面向各种大规模机器学习问题的快速求解与训练问题，设计快速高效且具有更好泛化能力的算法。重点包括考虑数据隐私保护、性能更优平坦更小化、可解释性展开算法和理论可证明具有更优的收敛率，应用于求解各种实际机器学习问题，例如连续学习、联邦学习和视觉大模型训练等。实验室在该方向近三年发表TPAMI、TKDE、ICML、NeurIPS等在内CCF A类论文近20篇，承担国家自然科学基金面上项目2项。