2022年广东省研究生学术论坛-计算机前沿技术研究论坛（人工智能技术及应用分论坛）

2022年11月24日晚上19:00-21:00（#腾讯会议：433-242-087）

报告主题：云-边-端网络计算卸载和内容缓存研究

摘要：作为云计算模型的补充和扩展，移动边缘计算通过将存储、通信、计算、控制和管理等网络功能从集中式云扩展到网络边缘，有效解决了云计算中长传输距离所导致的高时延和不可靠性。但边缘服务器的资源仍然有限，如何合理分配云-边-端网络中计算、存储及通信等资源来处理海量边缘数据，实现任务及数据的动态部署是云-边-端网络发展面临的重大挑战。当前研究大多集中于促进准静态系统的性能提升上，而很少考虑时域内时变的系统条件。此外，由于个体决策中存在的偏差，单个决策主体的最优决策往往并不能保证分布式系统的全局最优解。面对上述的问题和挑战，报告从以下两个方面展开介绍：（1）研究动态多用户系统中计算卸载和资源分配的联合优化问题。（2）研究云-边-端网络中多层级边缘缓存体系结构下的分布式协同缓存问题。

周欢，三峡大学计算机与信息学院教授，博士生导师，湖北青年拔尖人才，湖北省“楚天学者”，大数据研究中心常务副主任。主持国家自然科学基金 3项，湖北省杰青项目1项。发表/录用IEEE Trans./J./Mag.论文40余篇（第一/通讯作者30篇，包括IEEE JSAC 4篇），ESI高被引论文7篇；科学出版社专著1 部；曾获得国际会议 I-SPAN 2014 和 I-SPAN 2018 的最佳论文奖，2016 年中国自动化学会优秀博士学位论文奖，2020年“宜昌市最美科技工作者”荣誉称号，以及入选2022年度全球前2%顶尖科学家榜单。

报告主题：Energy-Efficient Federated Learning: A Wireless Power Transfer Approach

摘要：在无线网络中如何实现高效的分布式机器学习与模型训练是近年来备受关注的研究热点。联邦学习作为为一种典型的分布式学习框架具备保护用户数据隐私同时实现分布式模型训练的优势。但无线网络中较为有限传输带宽和能量资源是制约联邦学习性能关键要素。本次讲座将讨论基于无线传能辅助的联邦学习优化设计方案、旨在利用无线传能这一灵活的能量供给模式有效提升联邦学习的自持续性能。我们将讨论无线传能机制联邦学习中多种应用形式，并从无线传能策略、多用户训练模型数据传输资源调度、以及联邦学习全局-本地训练模式的联合优化角度出发进行方案设计。

吴远，现任澳门大学物联网与智慧城市国家重点实验室以及计算机与信息科学系副教授，IEEE高级会员，IEEE通信分会Macau Chapter副主席。2010年获得香港科技大学电子与计算机工程学系博士学位。主要从事无线网络、边缘计算与边缘智能领域研究，目前在通信网络领域学术期刊会议上发表论文100余篇。研究成果曾获得IEEE IWCMC’2021, IEEE TCGCC’2017, IEEE ICC’2016等多个学术会议最佳论文奖。研究工作获得了国家自然科学基金、澳门科技发展基金等项目资助。目前担任了包IEEE Transactions on Wireless Communications，IEEE Transactions on Vehicular Technology等期刊的副编辑。