CCF广东工业大学学生分会举办“Towards Real-Time DNN Inference At The Edge : The Optimal and Approximate Scheduling Algorithms”学术讲座

CCF广东工业大学学生分会于2026年1月12日（星期一）下午成功举办了主题为“Towards Real-Time DNN Inference At The Edge : The Optimal and Approximate Scheduling Algorithms”的学术讲座。这场讲座的报告人是广东工业大学计算机学院副教授陈权老师，他是哈尔滨工业大学本科、硕士、博士，CCF和IEEE会员，香江学者，研究方向包括物联网、无线网络、分布式计算，边缘AI等领域。曾在美国佐治亚州立大学和香港理工大学计算机系访学。获得了2018年ACM SIGCOM CHINA优秀博士学位论文和2018年CCF优秀博士学位论文提名奖，以及1项广东省科技进步一等奖，并于2020年入选了“香江学者”计划。主持了国家自然科学基金面上、青年项目，广东省自然科学基金青年提升项目、面上项目，以及多项广州市自然科学基金项目。目前，已发表CCF A/B论文38篇，包括以第一作者发表CCF A论文16篇，CCF B论文8篇，其中包括中国计算机学会（CCF）推荐的A类期刊《IEEE/ACM Transactions on Networking》和《IEEE Transactions on Mobile Computing》以及中国计算机学会推荐的A类会议《IEEE INFOCOM》等。目前担任《IEEE Open Journal of the Computer Society》的Associate Editor，并且担任过ICDCS，IPCCC，SECON等国际会议的TPC，以及TON，TMC，TOC，INFOCOM，ICDCS等知名期刊和会议的论文的审稿。

在本次讲座中，陈老师分享了两篇论文，第一篇是《Optimal and Approximate Parallelism-based Computation Offloading Algorithms for Real-Time Multimodal Learning at the Edge》，他首先介绍了边缘端多模态学习的背景与挑战，指出了集成RGB与热成像等多种模态的数据进行实时推理已成为趋势，接着通过FLIR等实际数据集分析了多模态学习在边缘侧的现状，强调了RGB与红外图像融合在现代智能安防及自动驾驶中的重要性。

陈老师指出，边缘侧多模态学习面临着严重的资源受限挑战，不仅要考虑如何选择最优的数据分辨率以平衡推理准确率，还需要通过计算卸载将重负载任务调度至更强大的边缘服务器。

他重点解析了该研究中关于计算与通信并行性的发现，详细讨论了如何利用动态规划技术构建卸载决策图，并在满足严格实时约束的前提下，通过一系列创新的剪枝策略来降低算法的时间复杂度。

这项工作突破了传统串行卸载的性能瓶颈，为边缘设备在动态网络环境下实现高效的多模态分析提供了理论基础。之后，陈老师还分享了实验对比数据，证明了该算法在保证高推理准确率的同时，能有效降低端到端的延迟与边缘设备的能耗。

随后，陈老师介绍了第二篇论文《Latency-Optimal Pyramid-based Joint Communication and Computation Scheduling for Distributed Edge Computing》，他介绍了分布式边缘计算的核心背景，并阐述了分布式计算在并行处理复杂任务中的显著优势，并明确了在无线连接环境下，干扰和多样化的数据传输速率给计算调度带来的巨大挑战。

他重点解析了“金字塔型”联合调度模型。他详细讲解了在分布式边缘计算场景下，如何通过对前向通信延迟、计算延迟及后向通信延迟的协同优化来最小化整体任务完成时间。

随后，陈老师还展示了针对更复杂场景的优化方案，包括基于动态规划的最优方法以及旨在最大化精度并降低能耗的近似算法。

最后，陈老师总结了本论文的核心创新点与学术价值。他指出，该研究是针对边缘侧多模态学习任务，并充分考虑了卸载过程中通信与计算并行性的工作，且从数学上证明了该调度问题的NP-hard属性。