报告题目：基于远程评估误差的边缘端采样技术研究

报告人：潘家雨

报告时间：2024年12月27日 15:00

报告地点：图文信息中心-培训室323

摘要：边缘智能将机器学习算法部署在智能物联网的边缘端，被应用于工业传感器、智能汽车、智慧农业等，不仅降低云端运算负荷，而且使云端能够持续准确地对边缘端的实时状态进行远程评估。降低远程评估误差的关键技术为边缘采样，即调整边缘端每次数据采样并传输的时间点。然而，由于未能充分考虑到实际传输中的不稳定性（包括信道衰落、丢包率、时延等），现有的定量优化评估误差的采样算法无法被应用到真实场景或模拟平台中。为此，我们率先研究不稳定传输下的采样技术。首先，将失败传输导致评估不更新的事实融入决策过程，把远程评估建模为强化学习问题。进而，在给定时延概率分布下，基于成功传输更新定理与精确求解贝尔曼方程的方式获得最优的采样策略。本工作推动国家边云协同计算的政策，也符合国际前沿对远程评估的重视，致力于推动边缘采样算法的落地。

报告人简介：潘家雨于2023年博士毕业于美国俄亥俄州立大学电子与计算机工程学院，2023年9月加入浙江大学软件学院任特聘研究员，2024年入选了国家级青年人才计划（海外）与宁波市甬江人才计划。主持一项国家自然科学基金青年项目。担任多个国际学会的tpc member，包括MobiHoc、WiOpt及MSN。博士期间研究方向包括网络科学与未来通信，主要通过强化学习、停止时间等技术，大幅改善网络中的重要性能：信息年龄与评估误差。在此过程中提供多个基础数学贡献，如延伸Shiryaev的单一停止时间理论体系并精确求解一类多重停止时间问题等。以第一作者身份在Sigmetrics、ToN等计算机网络及建模方向的会议期刊发表文章，曾担任一项美国海军科研室项目技术负责人。现从事研究为量子计算、边缘智能及其应用。