负责人：陈辉铭

成 员：刘浩强、陈晓红

研究方向：

        团队主要研究方向面向数据挖掘与认知计算，以大语言模型、自然语言处理、知识图谱分析、强化学习、无线孪生、高性能计算算法等基础研究，旨在多维度部署“产学研”一体化，从理论研究和工程应用两个维度展开数据挖掘与社会计算、高性能计算与硬件芯片设计等前沿热点工作，场景面向高性能分布式计算平台、工业制造质量效能评估的数字孪生建模，大规模无线网络孪生与智能决策，面向通信、交通、医疗等应用场景的智能决策，目前已在ACM Computing Surveys, TKDD, IEEE TNNLS, TNSE, TWC, TVT，KDD, AAAI, CVPR, IJCAI等顶刊顶会上发表论文超过20篇，在数据标准领域发布国家标准1项。

主要研究内容：

（1）数据挖掘与社会计算，基于工业软件创新追赶、人工智能驱动教育改革、计算机模拟与仿真在医疗器械创新等不同产业领域及社会治理发展场景中的应用，探究数据规律，剖析产业现状、问题及对社会治理带来的挑战、机遇和驱动建议；

（2）云-边-端分布式系统，从软硬件协同开发的角度，充分利用“云-边-端”大语言模型处理海量多源异构复杂数据，达到空天地一体化的海量数据快速协同处理目标，其中无人机、多方碳电交易等为典型应用场景；

（3）大语言模型优化设计、硬件适配与硬件设计，重点考虑大语言模型的边缘和终端设备部署，结合高性能算法，完成硬件结构设计和芯片实现，以量化、蒸馏、微调、增强检索等核心技术实现大语言模型的高效训练和推理等。

（4）聚焦于用数据科学的技术和方法深入理解无线通信网络的应用，并解决大规模网络中的决策优化问题，包括构建面向智慧城市的无线网络孪生及优化平台，通过收集网络内通信服务的详细信息，能够预测、推演以及评估网络状态变化，支持网络智能优化；在此基础上，进一步构建面向大规模网络的无线网优大模型，应用先进算法和技术，完善5/6G无线通信网络的规划优化过程，为开展大规模网络智能化决策提供理论指导；

（5）面向各类应用场景的智能决策算法设计，重点考虑深度强化学习和经典优化算法、图神经网络及扩散模型的有机集合，针对应用场景特性和决策优化问题难点，通过分层决策框架构建、约束条件转化、图结构表征、策略空间表征等核心技术实现对决策优化问题的高效求解。

主要教学、科研成果：

（一）在数据挖掘与社会计算方面，依据成员公共管理学科背景和世界500强总部工作经验，立足战略性新兴产业及产学研融通创新，主要研究：

（1）科技产业创新管理；

（2）虚拟互联网社区治理；

（3）公共政策制定与评估。

       该部分科研工作与清华大学、剑桥大学、北京邮电大学等展开深度合作，并已发表以下顶刊论文：

[1]陈晓红& 周源*.基于合作与竞争视角下的开源创新本质和理论演进研究[J].科学学与科学技术管理,2024,45(12):13-30.（CSSCI，国自科管理学部TOP，IF=7.433）

[2] 陈晓红* & 周源.创业教育在区域创新集群中的作用研究——以中关村和“剑桥现象”为例[J].科学管理研究,2024,42(04):92-101.（CSSCI，IF=3.076）

[3] 陈晓红，周源*.数智时代虚拟社区开源合作机制研究——以Github开源社区为例. 首届“科研管理与创新发展”学术研讨会.2024. （350余篇文章推选30篇，“会议优秀论文”）

[4]陈晓红* & 周源. 基于扎根理论的开源软件项目成员间知识共享模式质性研究[J]. 管理学报,2022,19(06):901-909.（CSSCI，国自科管理学部TOP，IF=6.612）

[5] CHEN Xiaohong*, ZHOU Yuan, Probert David & SU Jun. Managing knowledge sharing in distributed innovation from the perspective of developers: empirical study of open source software projects in China[J]. Technology Analysis & Strategic Management, 2017,29(1), 1-22. (SSCI, Q2)

[6] CHEN Xiaohong*, Probert David, ZHOU Yuan, & SU Jun. Mechanisms of knowledge sharing in open source software projects: A comparison of Chinese and Western practice[J]. International Journal of Technology Intelligence and Planning, 2016,11(2), 117-139.（EI）

[7] 陈晓红*, 周源 & 苏竣. 分布式创新、知识共享与开源软件项目绩效的关系研究[J].科学学研究,2016,34(02),228-235+245. (CSSCI，国自科管理学部TOP，IF=8.667)

[8] More, CHEN Xiaohong, S. Ford, D. Probert, R. Phaal. Challenges and approaches to integrating intermittent power into national electricity grids: a comparative analysis between roadmaps for Europe and China. Europe-China High Value Engineering Network (EC-HVEN) Project. 2014.（国际科研合作项目欧盟第七框架计划，与剑桥大学教授合作项目报告）

[9] 陈晓红*, 周源,许冠南 & 苏竣.产业集群向创新集群升级的影响要素和路径研究——以广东昭信科技园区为例[J]. 中国管理科学,2013,21(S2),751-757.(CSSCI，国自科管理学部TOP，IF=7.633)

（二）在云-边-端分布式系统方面，研究：

（1）高性能联邦学习算法，开发分布式计算平台；进一步研究基于transformer的大语言模型轻量优化算法，实现边缘、终端侧轻量化大语言模型硬件设计，结合分布式计算平台达到分布式协同。基础算法研究方面重点考虑本地加速、全局加速：

（2）在多方能源交易平台开发上，团队研究形成一套电力和碳市场机制体系，其保护用户隐私并实现个性化目标，适用于多种分布式能源资源，并能通过自我决策达成个性化目标。重点关注碳排放问题，并为高碳企业设计了碳排放模型，基于新的联邦学习算法pFedScv，实现市场效率提升。

       该部分科研工作与香港应用科技研究院、香港城市大学、澳门大学展开深度合作，并已发表以下顶刊论文和专利：

[1] Z. Wei, Z. Huang, Z. Tang, H. Chen*, X. Zuo, H. Li, H. Liu, J. Liu, A. Borghetti, “Voltage Regulation Service Pricing in Cyber-Physical Distribution Networks with Multi-Dimensional Meteorological Uncertainties”, IEEE Transactions on Network Science and Engineering, Dec. 4, 2024.

[2] Dongping Liao et al., “Adaptive Channel Sparsity for Federated Learning under System Heterogeneity”, CVPR 2023.

[3] Dongping Liao et al., “Progressive Distribution Matching for Federated Semi-supervised Learning”, AAAI 2025.

[4] Z. Wei, C. C. Chan, H. Li, H. Liu, H. Chen*, J. Liu, A. Borghetti, H. Yan, Competitiveness enhancement for distribution company in deeply coupled P2P transactive electricity and carbon trading using multi-agent reinforcement learning, submitted to IEEE Transactions on Network Science and Engineering, Dec., 2024.

[5] Z. Wei, C. C. Chan, H. Li, H. Liu, H. Chen*, J. Liu, A. Borghetti, H. Yan, Federated User Self-decision Mechanism for Coupled Electricity and Carbon Market considering Differentiated Objectives of Heterogeneous DERs, submitted to IEEE Transactions on Network Science and Engineering, Dec., 2024.

[6]. H. Chen, H. Yu, Y. Xu, Z. Wei*, H. Liu*, W. Huang, C. Yin, H. Yan, Robustifying Second-Order Accelerated Federated Optimization: Algorithmic Design and Analysis, submitted to IEEE Transactions on Neural Network and Learning Systems, Dec. 2024.

[7]. H. Chen, H. Wang, Q. Long, D. Jin, Y. Li, “Advancements in Federated Learning: Models, Methods, and Privacy”, ACM Computing Surveys, vol 57, no. 2, Feb., 2025（计算机领域内Top 1、CCF A，IF=23.8）

[8] H. Chen, H. Wang, Q. Yao, D. Jin, Y. Li, Q. Yang, “LoSAC: An Efficient Stochastic Average Control Method for Federated Optimization”, ACM Transactions on Knowledge Discovery from Data, vol. 17, no. 4, May 2023.

[9] H. Chen, H. C. Wu, S. C. Chan, W. H. Lam, “A Stochastic Quasi-Newton Method for Large-Scale Nonconvex Optimization with Applications,” IEEE Transactions on Neural Networks and Learning Systems, vol. 31, no. 11, pp. 4776-4790, Nov. 2020.

（三）在无线孪生方面，围绕大规模无线孪生网络智能决策学术主题，从边缘网络计算卸载、智能选址与波束优化、节能优化三个学术创新方向开展深入研究：

（1）面向“多服务器-多用户”边缘网络计算卸载策略研究；

（2）面向大规模基站协同的智能选址与波束优化研究；

（3）面向大规模基站协同的节能优化研究。

       该部分科研工作与新加坡A*、香港城市大学、南洋理工大学等展开深度合作，并已发表以下顶刊论文：

[1] Liu H., Li T., et al. “Coverage Optimization for Large-Scale Mobile Networks with Digital Twin and Multi-Agent Reinforcement Learning” [J]. IEEE Transactions on Wireless Communications, 2024. (中科院一区TOP, IF: 8.90)

[2] Liu H., Dong In Kim, et al. “Towards Efficient Task Offloading in Vehicular Edge Networks through Distributed Deep Reinforcement Learning” [J]. IEEE Transactions on Vehicular Technology, 2024. (中科院二区TOP, IF: 6.80)

[3] Liu H., Su W., et al. “Large-Scale Communication Network Coverage Optimization Using Multi-Agent Reinforcement Learning and DT-MobileNetSim” [J]. ACM Transactions on Knowledge Discovery from Data, 2024. (数据挖掘顶刊，SCI Q1, IF: 4.0)

[4] Liu H.*, Zong Z., Li Y., Jin D., “NeuroCrossover: An Intelligent Genetic Locus Selection Scheme for Genetic Algorithm Using Reinforcement Learning” [J]. Applied Soft Computing, 2023. (中科院一区TOP, IF: 8.70)

[5] Liu H., Zhao H., Wang J., Yuan S., Feng W., “LSTM-GAN-AE: A Promising Approach for Fault Diagnosis in Machine Health Monitoring” [J]. IEEE Transactions on Instrumentation and Measurement, 2021. (中科院二区, IF: 5.60)

[6] Xie H., Liu H.*, et al. “Efficient Multi-User Resource Allocation for Urban Vehicular Edge Computing: A Hybrid Architecture Matching Approach” [J]. IEEE Transactions on Vehicular Technology, 2024. (中科院二区TOP, IF: 6.80, 通信作者)

[7] Lv W., Liu H.*, et al. “Millimeter Wave Radar for Short-term Heart Rate Measurement Using Intelligent Singular Value Decomposition Noise Reduction Algorithm”[J]. IEEE Transactions on Instrumentation and Measurement, 2024. (中科院二区TOP, IF: 5.60, 通信作者)

[8] Gong J., Yu Q., Li T., Liu H., et al, “Scalable Digital Twin System for Mobile Networks with Generative AI” [C]// Proceedings of the 21st Annual International Conference on Mobile Systems, Applications and Services (Mobisys), 2023. (CCF A)

[9] T. Li, Q. Long, H. Chai, Liu H., et al, “Generative AI Empowered Network Digital Twins: Architecture, Technologies, and Applications”, ACM Computing Surveys, 2025. （计算机领域内Top 1、CCF A、SCI顶刊，IF=23.8）

（四）在面向通信、交通、医疗等应用场景的智能决策研究方面，研究面向大规模场景的深度强化学习算法。通过将优化问题分解为子问题来将约束解耦合，结合安全强化学习和经典优化方法来在可行空间内进行参数调优，并使用扩散模型进行参数组合的生成，从而高效地构建出高质量的决策：

[1] Wenzhen Huang, Tong Li, Yuting Cao, Zhe Lyu, Yanping Liang, Li Yu, Depeng Jin, Junge Zhang, Yong Li. Safe-NORA: Safe Reinforcement Learning-based Mobile Network Resource Allocation for Diverse User Demands[C]//Proceedings of the 32nd ACM International Conference on Information and Knowledge Management. 2023: 885-894. (CCF-B，数据挖掘领域顶会)

[2] Wenzhen Huang, Qiyue Yin, Junge Zhang, Kaiqi Huang. Learning to Reweight Imaginary Transitions for Model-Based Reinforcement Learning[C]//Proceedings of the AAAI Conference on Artificial Intelligence. 2021, 35(9): 7848-7856. (CCF-A，人工智能领域顶会)

[3] Wenzhen Huang, Junge Zhang, Kaiqi Huang. Bootstrap estimated uncertainty of the environment model for model-based reinforcement learning[C] //Proceedings of the AAAI Conference on Artificial Intelligence. 2019, 33(01): 3870-3877. (CCF-A，人工智能领域顶会)

[4] Wenzhen Huang, Tong Li, Jie Chuai, Zhitang Chen, Jianye Hao, Yong Li. GenConfig: Generating Cellular Configurations Using Pre-trained Diffusion Models in Network Digital Twins. (投稿于MobiCom 2025)

[5] Wenzhen Huang, Tong Li, Junge Zhang, Yong Li. Filter-HQ: Offline Reinforcement Learning Constrained with Fewer and Higher Quality Samples. (投稿于IJCAI 2025)