喜报 | 我院岳晟副教授论文入选2024年度中国电子学会博士学位论文激励计划

岳晟，中山大学网络空间安全学院副教授，博士生导师，逸仙学者。曾于2023–2024年任清华大学博士后研究员，于2022年在中南大学计算机学院获得工学博士学位。当前主要研究方向为决策智能与端智能，具体包括强化学习、大模型智能体、分布式机器学习等，已在人工智能与计算机网络领域旗舰期刊（IEEE/ACM ToN、IEEE JSAC、IEEE TPDS等）与会议（ICLR、ICML、IEEE INFOCOM、ACM MobiHoc等）发表论文近30篇（包括CCF-A类论文15篇、CCF-B类论文6篇），其中一作/通讯CCF-A论文11篇，研究成果入选“2022-2023年中国物联网十大科技进展”，相关成果被纳入专著《Next Generation Multiple Access》作为独立章节。曾获中国科协青年人才托举工程、中国电子学会优博、ACM中国SIGAPP优博、国资计划等荣誉。主持国家自然科学基金1项、中国博士后科学基金2项、清华-美团等校企合作开发项目3项，并以骨干身份参与多项国家重点研发计划与基金委重点项目，相关研究成果已在我国民生、国防等多个领域得到应用。

随着物联网、边缘计算和人工智能技术的蓬勃发展，边缘智能近年来得到了广泛的关注与研究。边缘智能旨在将模型训练、推理与决策从云端迁移至网络边缘，利用广泛分布于边缘侧的数据与算力，提供及时可靠的智能服务。由于端设备资源受限，边缘智能的实现必须依赖于有效的协同计算，以分摊模型训练、推理过程中的成本与开销，提升学习信息的量级与维度。然而，因为边缘智能涵盖问题的多样性以及边缘网络的复杂性，实现切实高效的协同计算策略面临极大的挑战。为此，本文结合国内外最新研究成果，深入分析了当前边端协同计算所存在的问题，分别从边缘协同训练、边缘协同推理、边缘协同决策三个方面展开研究。主要工作和贡献可归结为以下几个方面：1）提出了一种计算高效的持续联邦元学习策略，使终端设备可以在训练当前任务的同时充分利用先前任务上所学的模型知识；2）提出了具备时延保证的分布式任务卸载策略，可以在近似最优的任务卸载方案和计算开销之间取得平衡；3）提出了具备高通信效率的联邦离线强化学习策略，缓解了边缘决策算法的数据收集成本与安全隐患；4）提出了一种基于模型的离线逆强化学习算法，在不需要与环境交互的情况下实现自动推断奖励函数，解决决策算法在用户端部署时的高交互开销以及奖励函数设计难的问题。