当前位置：
主 题： 泛在算力网络
时 间：2024年8月9日 14:00
地 点：工科楼E1716会议室
主 讲 人：Yan Zhang 欧洲科学院院士
主讲人简介：
Yan Zhang现任挪威奥斯陆大学信息工程学院教授，IEEE Fellow, IET Fellow。 欧洲科学院院士，挪威皇家科学院院士，挪威工程院院士，自2018年起连续六年全球“高被引科学家”，近期主要研究方向为新一代无线通信网络和智能安全物联网。在相关领域研究成果被引用45000+次，H因子为108。现任多个IEEE Transactions/Magazine期刊编委和国内多个核心期刊编委。
报告简介：
泛在算力网络的概念和模型。然后定义并解决泛在算力网络中新颖独特的科学研究问题，包括算力资源的优化分配、算力协作和集群机制、及分布式算力共享。最后指出泛在算力网络未来场景和开放性问题。
主 题： 边缘智能驱动的通算资源协同优化
时 间：2024年8月9日 15:00
地 点：工科楼E1716会议室
主 讲 人： 宁兆龙 教授
主讲人简介：
宁兆龙，重庆邮电大学教授/博导，通信学院副院长，主要研究方向为应急物联网、智能边缘计算和下一代通信网络。入选国家青拔、2020至今连续入选全球高被引科学家，2022年入选全球AI 2000人工智能最具影响力学者，荣获2022年度中国产学研合作创新成果一等奖（第一完成人），2022年度重庆市十佳科技青年奖，2022年度重庆市五四青年奖章，2019和2017年度辽宁省自然科学学术成果一等奖（均第一完成人）、甘肃省自然科学奖特等奖、IEEE车辆技术协会2020年度最佳陆地交通论文奖（全球唯一），获IEEE系统协会2019年度最佳论文奖等。主持国防、基金委、重庆市杰青等项目。
报告简介：
介绍泛在边缘网络中的多智能体模仿学习模型，以适应用户的高移动性并解决边缘服务器存储容量有限的缺点。接着提出了一种针对医疗物联网的远程健康监测模型，之后针对车联网提出了一种基于模仿学习的在线任务调度算法。
主 题：Understanding and Promoting Human Health through Big Data and AI
时 间：2024年8月9号 16:00
地 点：工科楼E1716会议室
主 讲 人：Qun Jin 日本工程院外籍院士
主讲人简介：
金 群，工学博士，早稻田大学教授、博士生导师。历任人类信息科学系主任，人类科学学术院副院长，人类科学研究生院院长。日本工程院外籍院士。以“为人类共同利益的技术 (Technology for the Common Good)”和“为人类福祉的计算 (Computing for Human Well-being)”的创造和创新为基本研究理念，旨在通过综合研究 (Convergent research)理解和支持人类。主要从事网络信息系统学，行为与认知信息学，人工智能，大数据与智能化统合数据分析，高可信数据联合、共享和利用平台，区块链与隐私保护计算，元宇宙，数字孪生，信息物理社会系统，以及在健康管理、学习支持和实现碳中和社会中的应用等的科研工作。主持参与多项大型科研项目和国际合作研究项目。出版多部专著和400多篇包括IEEE/ACM Transactions等主要学术期刊和国际学术会议论文，并获多项最优秀论文奖。多次应邀在IEEE/ACM国际会议等作主题演讲、在APEC、Intel高峰论坛作特邀报告。多次参与创办、主办IEEE/ACM国际学术会议，担任大会主席或程序委员会主席。担任多个国际学术期刊主编、副主编、编委，并在IEEE/ACM Transactions等顶级国际学术期刊多次客编前沿计算机科学技术论文专辑。
主 题： 联邦学习驱动的网络化数字孪生建模
时 间：2024年8月9日 17:00
地 点：工科楼E1716会议室
主 讲 人： 李玉帅 助理教授
主讲人简介：
李玉帅，奥尔堡大学助理教授，欧盟玛丽居里学者。主要研究方向为机器学习、分布式优化、数字孪生及其在综合能源与交通系统中的应用；在 IEEE Trans会刊和旗舰会议上发表论文60余篇, ESI热点论文 2篇，ESI 高被引论文6篇，Google Scholar引用2000余次；曾荣获MPCE 2021最佳论文奖（第一作者），ICCSIE 2022会议最佳论文奖（第一作者），MPCE 杰出青年专家奖，中国自动化学会自然科学一等奖和二等奖；担任IEEE SMC Magazine和MPCE副主编；担任2024 IEEE Smart Grid Comm 的Student Video/PHD Thesis Competition主席和5个国际会议Track/Section/Workshop主席；主持欧盟玛丽居里人才计划项目。
报告简介：
伴随着数据科学与人工智能技术的迅猛发展，数字孪生应运而生并受到了世界各国或地区的高度重视。数字孪生旨在创建现实世界的虚拟映射，以实现具备高性能的超前优化、控制与决策。联邦学习可实现具备高隐私性的分布式训练，为网络化数字孪生建模发展提供了全新的解决方案。本报告聚焦于联邦学习驱动的网络化数字孪生建模，并阐述其在交通系统中的应用。首先浅谈讲者对于数字孪生建模背后隐藏科学问题的思考与见解，而后介绍讲者近几年来在基于联邦学习的网络化数字孪生建模在技术层面上的研究进展与成果，并以自动驾驶为例阐述其实际应用。最后从技术与应用层面浅谈联邦学习与数字孪生的潜在研究方向。
青岛软件学院、计算机科学与技术学院
2024年8月7日