会议时间：2023年9月6日（周三）14:30

参会人员：信息科学与工程学院科研团队教师，欢迎广大师生参加。

会议地点: 墨子楼中兴会议室

报告1：数字农业产业大脑的引擎-数字模型的AI服务平台建设

报告人：屈洪春

内容简介：分析和探讨了数字农业产业大脑的建设关键，是突破监测数据转换为管理决策的障碍，突破农业技术、农艺专家知识的转化与应用障碍，实现海量数据环境下，数字农业应用的快速构建、复制与部署，形成农业技术、功能与系统的数字生态。研究针对信息断层问题，研发农业智能化数字决策AI服务引擎，制定农业数字模型接入、验证、调用的产业标准，打通农学研究成果与实际产业应用的在线成果转化通道，实现从数据到决策的无缝对接，从平台层面消除长势感知与管理决策、专家知识与农事指导、产出与销售渠道等关键环节之间的信息障碍，解决农业智慧化面临的“有数据、无决策；有研究、无应用；有建设、无效率”的瓶颈问题，实现农业数据、模型和决策的一体化和智能化，形成数字产业大脑决策和智慧产生的核心引擎。

报告2：基于知识蒸馏的高效联邦学习算法

报告人：刘天

内容简介：联邦学习能够在保护本地数据隐私的情况下，利用分散在各地的数据完成中央全局模型的训练，这使其能在人工智能物联网领域中得到广泛的研究和应用。然而，由于传统的FL在模型训练过程中仅采用样本数据的硬标签来训练本地模型，忽略了训练中产生的错误预测所包含的有用信息，因此，其训练得到的模型仍然存在推理精度不足的问题。为了解决上述问题，提出了一种新颖的基于蒸馏的联邦学习算法，在多种知名数据集上的综合实验结果表明，所提出的DFL方法可以在不引入大量额外通信开销的前提下，显著地提高FL的模型推理精度。

报告3：基于联盟博弈的多星协同频谱感知算法

报告人：王运峰

内容简介：针对非合作信号实时感知性能要求高与卫星宽波束天线监测分辨率差的矛盾，提出基于联盟博弈的多星协同感知算法。在考虑星间链路的影响下，算法构建为一个不可转移效用的联盟博弈模型。在效用函数的设置上，将虚警概率和所需星间链路数作为协作的损耗，而正确检测概率则为正相关的收益，以最大化个体收益为目标，通过博弈实现三者之间的最优平衡，形成多个稳定且不相交的联盟。进而，选择效用值最高的联盟完成最终判决。最后利用计算机仿真对所提算法进行验证，结果显示所提算法能够降低了所需的星间链路数目的同时，显著提升频谱感知精度。

科技处

信息科学与工程学院

2023年9月5日