理工學院黃建偉教授團隊在IEEE計算機通信國際會議INFOCOM發表四篇論文
? ? ? ? ?近日，香港中文大學（深圳）校長講座教授、理工學院副院長黃建偉教授團隊的四篇論文被IEEE計算機通信國際會議INFOCOM 2021 (IEEE International Conference on Computer Communications) 收錄。
? ? ? ? ?經過接近四個月嚴格的國際同行雙盲審，黃建偉教授的四篇論文從1266篇投稿中脫穎而出，最終被INFOCOM 2021會議收錄。四篇論文分別是《分布式編碼機器學習的激勵機制設計》《不可驗證型眾包問題中的策略性信息發布》《高成本效益的聯邦學習設計》《解決實時數據采集中的時變非對稱信息》。
? ? ? ? ?INFOCOM (IEEE International Conference on Computer Communications) 是計算機網絡領域三大頂級國際會議之一，長期以來被中國計算機學會(CCF)推薦為A類國際學術會議。每年由IEEE主辦，在國際上享有盛譽并具有廣泛的學術影響力，是計算機網絡頂尖學者每年一度的盛宴。INFOCOM 2021會議最終錄用252篇論文，錄用率低于20%。
? ? ? ? ?黃建偉教授是深圳市人工智能與機器人研究院副院長和群體智能研究中心主任。他在通信網絡領域的國際一流期刊和會議上發表論文290余篇, 谷歌學術總引用12800余次，H-Index為58。他與其合作者九次獲得國際會議和期刊的最佳論文獎，包括2011年 IEEE 馬可尼無線通信論文獎。
?
論文詳情
Incentive Mechanism Design for Distributed Coded Machine Learning
分布式編碼機器學習的激勵機制設計
■ 作者
丁寧寧
香港中文大學博士生
香港中文大學（深圳）和深圳市人工智能與機器人研究院訪問博士生
房智軒
清華大學助理教授
段凌杰
新加坡科技設計大學副教授
黃建偉
通信作者，香港中文大學（深圳）校長講座教授
■ 摘要
? ? ? ? ?分布式機器學習平臺需要多個工作節點來共同完成計算。然而，由于存在計算緩慢的工作節點，計算的整體性能可能會因此下降。通過在計算中引入冗余，編碼機器學習可以通過前k個完成計算的工作節點（共n個）恢復最終的計算結果，從而有效地縮短運行時間。現有研究主要集中在設計高效的編碼方案上，設計適當的激勵措施以鼓勵工人（工作節點）參與的問題仍未得到充分的探索。
? ? ? ? ?本文研究了在工人有不同計算性能和成本且平臺對此只有不完全信息的情況下，平臺激勵工人參與編碼機器學習的最優激勵機制。該工作的一個關鍵貢獻是將工人的多維異質性總結為一個一維度量，指導平臺在不完全信息下能以線性計算復雜度有效地選擇工人。此外，我們證明了當使用廣泛采用的MDS (Maximum Distance Separable)碼進行數據編碼時，最優恢復閾值（recovery threshold）k與參與工人數量n成線性比例。我們還發現，當工人足夠多時，由于信息不完全而增加的平臺成本會消失，但并不是隨著工人人數的增加而單調遞減。
?
Strategic Information Revelation in Crowdsourcing Systems Without Verification
不可驗證型眾包問題中的策略性信息發布
■ 作者
黃超
香港中文大學博士生
香港中文大學（深圳）和深圳市人工智能與機器人研究院訪問博士生
余皓然
北京理工大學副教授
黃建偉
通信作者，香港中文大學（深圳）校長講座教授
Randall A. Berry
美國西北大學教授
■ 摘要
? ? ? ? ?我們的工作側重研究不可驗證型的眾包問題。具體而言，眾包平臺希望激勵眾包工人們提供高質量和真實的解決方案，但同時也無法驗證所收集到的解決方案。大多數先前的工作都假設平臺和工人擁有對稱信息。而在這篇論文中，我們研究一個非對稱的信息場景。具體來說，平臺了解更多有關工人的平均準確性（比如工人提供正確方案的概率）的信息，并可以策略性地向工人展示此信息。工人們將利用公布的信息來估計他們獲得眾包獎勵的機率。
? ? ? ? ?我們研究兩種類型的工人：（1）完全信任平臺發布信息的天真型工人，（2）根據發布信息調整想法的策略型工人。對于天真型工人，我們發現眾包平臺應始終宣布較高的工人平均準確性，從而最大化平臺收益。但是，這并不總是適合策略型工人，因為這可能會降低平臺發布信息的可信度從而減少平臺的收益。有趣的是，對策略型工人而言，當工人的平均準確性較高時，平臺甚至有可能宣布一個比較低的值來最大化收益。
?
Cost-Effective Federated Learning Design
高成本效益的聯邦學習設計
■ 作者
羅冰
深圳市人工智能與機器人研究院和耶魯大學國際聯合博士后
李想
香港中文大學（深圳）博士生
Shiqiang Wang
IBM T. J. Watson研究院研究員
黃建偉
通信作者，香港中文大學（深圳）校長講座教授
Leandros Tassiulas
耶魯大學教授
■ 摘要
? ? ? ? ?聯邦學習作為新一代分布式人工智能協同算法，能夠在保證參與方數據隱私的前提下，有效提高全局模型的訓練效率。然而，由于聯邦學習在訓練過程涉及大量的用戶參與和多輪往復迭代，其性能往往受限于一些低時延或低能耗的應用場景。
? ? ? ? ?本文針對參與方的系統資源異構性（計算和通信能力）和數據統計異構性（數據量和數據分布），研究并設計了一種自適應優化參與方采樣率和本地迭代次數的多目標優化模型，在確保全局模型收斂的前提下，有效降低不同場景下的聯邦學習的總時間和能耗開銷，所得到的理論結果在自主搭建的異構聯邦學習測試平臺中得到了有效的驗證。
?
Taming Time-Varying Information Asymmetry in Fresh Status Acquisition
解決實時數據采集中的時變非對稱信息
■ 作者
王志遠（香港中文大學博士后研究員）
高林（哈爾濱工業大學深圳副教授）
黃建偉 （通信作者）
■ 摘要
? ? ? ? ?越來越多的在線平臺(Platform)通過不斷獲取不同興趣點(Points of interest, PoIs)的狀態，來為用戶提供有價值的實時內容(e.g.交通擁堵)。在這一問題中，PoI往往具有利己主義和隨時間變化的偏好，這使得各個PoI與Platform之間的狀態采集頻率難以優化。本文考慮一個多階段的實時狀態采集問題，旨在最大化Social Welfare的同時保證各個Platform的信息新鮮度,其中新鮮度是由信息的年齡（Age of Information, AoI）來衡量。
? ? ? ? ?本文設計了一個基于拍賣的多階段分解機制用來解決時變的不對稱信息。基于實際數據的實驗結果表明，當平臺更加關注收益最大化時，從長期來看每個PoI仍然可以獲得非負收益。
?
教授簡介
?
黃建偉教授
校長講座教授
理工學院副院長
? ? ? ? ?黃建偉教授是香港中文大學（深圳）校長講座教授、理工學院副院長，他還是深圳市人工智能與機器人研究院副院長和群體智能研究中心主任。他是 IEEE Fellow，IEEE 通信學會杰出講師，科睿唯安計算機科學領域全球高被引科學家，IEEE Open Journal of the Communications Society 副主編 (Associate Editor-in-Chief) 。他于2005年獲得美國西北大學博士學位。2005年至2007年，他于美國普林斯頓大學從事博士后研究，2007年至2018年，他擔任香港中文大學信息工程系助理教授/副教授/正教授。
? ? ? ?黃建偉教授曾任多個通信網絡領域JCR Q1 一流國際期刊的編委，包括 IEEE JSAC/TMC/ToN/TWC/TCCN/TNSE。他歷任IEEE 通信學會認知網絡專委會主席和多媒體通信專委員會主席。他曾獲得2015年 IEEE 通信學會多媒體通信專委員會杰出服務獎和2010年IEEE GLBOECOM 卓越服務獎。
? ? ? ? 黃建偉教授將于2021年1月出任IEEE Transactions on Network Science and Engineering 新一任主編。
