报告题目一：基于强化学习的隐私保护信任评估体系
报告时间：2023年3月8日 晚上19:00—19:30
报告地点：腾讯会议859-366-512
报告人：任莹莹
报告摘要：通过将大规模复杂传感任务划分为简单的微任务，群智感知方案成为物联网（IoT）网络中基于数据的应用的一个有效解决方案。人工智能技术已广泛应用于物联网安全的群智感知应用。然而，仍有几个问题迫切需要研究。系统中存在恶意参与者，目的是获不当的收益。信任评估机制可以有效地过滤攻击者。然而，现有的基于推荐的信任评估机制不能排除共同欺诈的问题，同时忽略了参与者隐私暴露的冲突。因此基于强化学习（PICRL）的隐私保护群智感知方案被提出。PICRL同时考虑了数据量、数据质量和成本，优化了系统的效用。PICRL的主要创新如下。首先，有效的信任评估机制保证了质量。所提出的信任评估包括三个部分：隐私信任、群体信任和混合主动信任。第二，信任评估可以有效地防止共同欺诈，并为参与者提供个人隐私暴露选择。第三，PICRL在不知道特定感知模型的情况下，利用强化方法Q-学习最大化基于评估信任的效用，其目的是通过选择状态-动作对来最大化累积奖励。通过大量的仿真实验验证了所提出的PICRL的有效性
报告题目二：群智感知网络中数据终端传感节点最大化系统收益的充电路径规划策略
报告时间：2023年3月8日 晚上19:30—20:00
报告地点：腾讯会议859-366-512
报告人：任莹莹
报告摘要：移动充电方案是通过为传感节点补充能量来延长网络寿命的一种增长网络周期的解决方案，目前已经引起了越来越多的研究人员的关注。然而，由于节点和移动充电者的能量存储的限制，并非所有的感知节点都可以被移动充电者及时充电。因此，如何选择合适的传感节点和设计移动充电器的路径是提高系统实用性的关键。本文提出了一种使系统收益最大化的智能充电方案（ICMUU）来设计移动充电器的充电路径。与之前的研究相比，我们不仅考虑了从环境中收集的数据的效用，还考虑了不同质量的传感节点的影响。提出了服务质量来优化充电路径设计。此外，ICMMU还同时设计了单个移动充电者和多个移动充电者的充电方案。对于具有多个移动充电者的充电方案，还考虑了不同移动充电者之间的工作负载平衡以及系统的效用。
任莹莹博士简介：
任莹莹，中南大学2019级博士生，指导导师刘安丰教授。研究方向是群智感知、深度学习、机器学习。以第一作者发表期刊论文多篇。
报告题目三：深度强化学习优化算法关键问题研究
报告时间：2023年3月8日 晚上20:00—20:30
报告地点：腾讯会议859-366-512
报告人：陈秒江
报告摘要：深度强化学习将深度学习的感知能力和强化学习的决策能力相结合，可以直接根据输入的图像进行控制，是一种更接近人类思维方式的人工智能方法。深度学习具有较强的感知能力，但是缺乏一定的决策能力；而强化学习具有决策能力，对感知问题束手无策。因此，将两者结合起来，优势互补，为复杂系统的感知决策问题提供了解决思路。强化学习是机器学习的一个分支，相较于机器学习经典的有监督学习、无监督学习问题，强化学习最大的特点是在交互中学习（Learning from Interaction）。Agent在与环境的交互中根据获得的奖励或惩罚不断的学习知识，更加适应环境。RL学习的范式非常类似于我们人类学习知识的过程，也正因此，RL被视为实现通用AI重要途径。
报告题目四：基于深度强化学习的边缘网络卸载研究
报告时间：2023年3月8日 晚上20:30—21:00
报告地点：腾讯会议859-366-512
报告人：陈秒江
报告摘要：随着物联网、车联网和5G等技术的不断发展,虚拟现实、增强现实、智能家居、智能电网和无人驾驶汽车等新型应用层出不穷。这些应用都需要更强的计算能力、更高的带宽和更低的时延,并且这些新型应用会产生较高的能耗。由于用户设备上的资源是受限的,很难达到新型应用在时延和能耗上的需求。移动边缘计算(MEC)将服务器配置在基站侧,为周边用户提供计算和存储服务,有效的缓解设备资源受限与新型应用需求高的问题。通过将任务卸载到MEC服务器来满足低时延、低能耗、高可靠性等要求,提高用户服务质量。因此,选择合适的计算节点进行任务卸载及资源分配成为研究的主要问题。然而，设备的机动性和服务资源限制使得多用户卸载决策具有挑战性。故而，我们致力于研究以高可靠传输(HRT)和计算延迟最小化(CDM)为目标，综合考虑设备移动性、信道条件和计算资源的深度强化学习协同计算卸载。
陈秒江博士简介：
陈秒江，中南大学2019级博士生，指导导师刘安丰教授。研究方向是边缘计算、深度强化学习、机器学习。以第一作者发表期刊论文多篇。
