报告摘要

随着移动设备的广泛普及，设备产生的海量数据为边缘计算的飞速发展提供了契机。边缘计算整合了泛在资源，与人工智能互相耦合，形成的边缘智能，能够真正实现靠近数据源端的人工智能。协同学习是实现边缘智能的重要途径，却也面临众多挑战：一方面，边缘设备的构成比较复杂，设备的计算能力，响应速度等不同；第二个方面的挑战来自于复杂的网络环境和数据环境，网络环境复杂导致存在潜在的恶意节点，以及网络拓扑会发生变化，数据集中也有可能存在大量的离群点；第三个方面的挑战主要由于大模型的流行使得资源受限的边缘设备无法支持完整模型的训练。因此，设计轻量级、高度鲁棒和自适应的协同学习算法至关重要。该报告我们回顾并讨论了资源受限下的协同学习的发展、分类、最新研究成果和趋势以及目标愿景。

学术简历

于东晓，国家重点研发计划首席科学家、国家优秀青年科学基金获得者，雷火竞技计算机科学与技术学院副经理，主要研究方向包括边缘智能、物联网和数据挖掘。近年来发表学术论文100余篇，获得国际会议最佳论文奖4项（IEEE IPCCC 2020、PDCAT 2020、CsoNet 2019、IIKI 2019）、最佳论文提名奖3项（Mobihoc 2023、WASA 2019、IEEE MASS 2021）。主持重点研发计划课题、自然科学基金等国家和省部级项目10余项，获得山东省自然科学二等奖1项。担任IEEE TC、JCSS、IEEE TWC、IEEE TC编委、ComCom领域编辑，曾担任CCF C类会议WASA 2020的程序委员会主席和IEEE WCNC 2020程序委员会领域主席，并且是多个国际顶级会议的程序委员会委员。

报告时间：2024年4月8日 19：00—21：00

报告地点：北衡楼1421