近日，香港中文大学(深圳)理工学院黄建伟教授团队的四篇论文被IEEE计算机通信国际会议INFOCOM 2021 (IEEE International Conference on Computer Communications) 收录。

INFOCOM (IEEE International Conference on Computer Communications) 是计算机网络领域三大顶级国际会议之一，长期以来被中国计算机学会(CCF)推荐为A类国际学术会议。每年由IEEE主办，在国际上享有盛誉并具有广泛的学术影响力，是计算机网络顶尖学者每年一度的盛宴。INFOCOM 2021会议投稿总数为1266篇，经过接近四个月严格的国际同行双盲审，最终录用252篇论文，录用率低于20%。

黄建伟教授为香港中文大学(深圳)校长讲座教授、理工学院副院长，兼任深圳市人工智能与机器人研究院副院长和群体智能研究中心主任。黄建伟教授在通信网络领域的国际一流期刊和会议上发表论文290余篇, 谷歌学术总引用12800余次，H-Index为58。他与其合作者九次获得国际会议和期刊的最佳论文奖，包括2011年 IEEE 马可尼无线通信论文奖。

黄建伟教授团队发表的四篇论文分别是：

Incentive Mechanism Design for Distributed Coded Machine Learning

分布式编码机器学习的激励机制设计

Strategic Information Revelation in Crowdsourcing Systems Without Verification

不可验证型众包问题中的策略性信息发布

Cost-Effective Federated Learning Design

高成本效益的联邦学习设计

Taming Time-Varying Information Asymmetry in Fresh Status Acquisition

解决实时数据采集中的时变非对称信息

论文详情

1.Incentive Mechanism Design for Distributed Coded Machine Learning

分布式编码机器学习的激励机制设计

作者

丁宁宁(香港中文大学博士生，香港中文大学(深圳)和深圳市人工智能与机器人研究院访问博士生)

房智轩 (清华大学助理教授)

段凌杰 (新加坡科技设计大学副教授)

黄建伟 (通信作者)

摘要

分布式机器学习平台需要多个工作节点来共同完成计算。然而，由于存在计算缓慢的工作节点，计算的整体性能可能会因此下降。通过在计算中引入冗余，编码机器学习可以通过前k个完成计算的工作节点(共n个)恢复最终的计算结果，从而有效地缩短运行时间。现有研究主要集中在设计高效的编码方案上，设计适当的激励措施以鼓励工人(工作节点)参与的问题仍未得到充分的探索。本文研究了在工人有不同计算性能和成本且平台对此只有不完全信息的情况下，平台激励工人参与编码机器学习的最优激励机制。该工作的一个关键贡献是将工人的多维异质性总结为一个一维度量，指导平台在不完全信息下能以线性计算复杂度有效地选择工人。此外，我们证明了当使用广泛采用的MDS (Maximum Distance Separable)码进行数据编码时，最优恢复阈值(recovery threshold)k与参与工人数量n成线性比例。我们还发现，当工人足够多时，由于信息不完全而增加的平台成本会消失，但并不是随着工人人数的增加而单调递减。

2.Strategic Information Revelation in Crowdsourcing Systems Without Verification

不可验证型众包问题中的策略性信息发布

作者

黄超(香港中文大学博士生，香港中文大学(深圳)和深圳市人工智能与机器人研究院访问博士生)

余皓然 (北京理工大学副教授)

黄建伟 (通信作者)

Randall A. Berry (美国西北大学教授)

摘要

我们的工作侧重研究不可验证型的众包问题。具体而言，众包平台希望激励众包工人们提供高质量和真实的解决方案，但同时也无法验证所收集到的解决方案。大多数先前的工作都假设平台和工人拥有对称信息。而在这篇论文中，我们研究一个非对称的信息场景。具体来说，平台了解更多有关工人的平均准确性(比如工人提供正确方案的概率)的信息，并可以策略性地向工人展示此信息。工人们将利用公布的信息来估计他们获得众包奖励的机率。

我们研究两种类型的工人：(1)完全信任平台发布信息的天真型工人，(2)根据发布信息调整想法的策略型工人。对于天真型工人，我们发现众包平台应始终宣布较高的工人平均准确性，从而最大化平台收益。但是，这并不总是适合策略型工人，因为这可能会降低平台发布信息的可信度从而减少平台的收益。有趣的是，对策略型工人而言，当工人的平均准确性较高时，平台甚至有可能宣布一个比较低的值来最大化收益。

3.Cost-Effective Federated Learning Design

高成本效益的联邦学习设计

作者

罗冰(深圳市人工智能与机器人研究院和耶鲁大学国际联合博士后)

李想 (香港中文大学(深圳)博士生)

Shiqiang Wang (IBM T. J. Watson研究院研究员)

黄建伟 (通信作者)

Leandros Tassiulas (耶鲁大学教授)

摘要

联邦学习作为新一代分布式人工智能协同算法，能够在保证参与方数据隐私的前提下，有效提高全局模型的训练效率。然而，由于联邦学习在训练过程涉及大量的用户参与和多轮往复迭代，其性能往往受限于一些低时延或低能耗的应用场景。本文针对参与方的系统资源异构性(计算和通信能力)和数据统计异构性(数据量和数据分布)，研究并设计了一种自适应优化参与方采样率和本地迭代次数的多目标优化模型，在确保全局模型收敛的前提下，有效降低不同场景下的联邦学习的总时间和能耗开销，所得到的理论结果在自主搭建的异构联邦学习测试平台中得到了有效的验证。

4. Taming Time-Varying Information Asymmetry in Fresh Status Acquisition

解决实时数据采集中的时变非对称信息

作者

王志远(香港中文大学博士后研究员)

高林(哈尔滨工业大学深圳副教授)

黄建伟 (通信作者)

摘要

越来越多的在线平台(Platform)通过不断获取不同兴趣点(Points of interest, PoIs)的状态，来为用户提供有价值的实时内容(e.g.交通拥堵)。在这一问题中，PoI往往具有利己主义和随时间变化的偏好，这使得各个PoI与Platform之间的状态采集频率难以优化。本文考虑一个多阶段的实时状态采集问题，旨在最大化Social Welfare的同时保证各个Platform的信息新鲜度,其中新鲜度是由信息的年龄(Age of Information, AoI)来衡量。本文设计了一个基于拍卖的多阶段分解机制用来解决时变的不对称信息。基于实际数据的实验结果表明，当平台更加关注收益最大化时，从长期来看每个PoI仍然可以获得非负收益。

教授简介

黄建伟教授为香港中文大学(深圳)校长讲座教授、理工学院副院长，兼任深圳市人工智能与机器人研究院副院长和群体智能研究中心主任。他是 IEEE Fellow，IEEE 通信学会杰出讲师，科睿唯安计算机科学领域全球高被引科学家，IEEE Open Journal of the Communications Society 副主编 (Associate Editor-in-Chief) 。他2005年于美国西北大学获得博士学位，2005-2007年间于美国普林斯顿大学从事博士后研究，2007-2018年间于香港中文大学信息工程系担任助理教授/副教授/正教授。

黄建伟教授曾任多个通信网络领域 JCR Q1 一流国际期刊的编委，包括 IEEE JSAC/TMC/ToN/TWC/TCCN/TNSE。他历任 IEEE 通信学会认知网络专委会主席和多媒体通信专委员会主席。他曾获得2015年 IEEE 通信学会多媒体通信专委员会杰出服务奖和2010年 IEEE GLBOECOM 卓越服务奖。

黄建伟教授将于 2021 年 1 月出任 IEEE Transactions on Network Science and Engineering 的新一任主编。