【儀表網 研發快訊】上海科技大學積極鼓勵本科生走進實驗室、參與科學研究，這一創新舉措從建校之初延續至今。近期，信息科學與技術學院2024屆本科畢業生王宇瀚(現為香港中文大學博士研究生)在本科階段學習期間完成主要理論與實驗工作的兩項研究成果分別被通信領域國際期刊錄用。這兩項成果在通信系統設計的優化以及分布式計算效率的提升方面，均展現出了重要的理論價值與潛在的應用前景。兩項研究各有側重：一項圍繞“多任務導向的有損壓縮” 展開深入探索，以“Task-Oriented Lossy Compression with Data, Perception, and Classification Constraints”為題被通信領域期刊IEEE Journal on Selected Areas in Communications(JSAC)接收；另一項則聚焦于“預定義場景下的編碼分布式計算”，以“Coded Distributed Computing with Pre-set Data Placement and Output Functions Assignment”為題發表于信息論領域期刊IEEE Transactions on Information Theory(TIT)。兩項工作由信息學院吳幼龍教授指導，吳幼龍教授為通訊作者，第一完成單位為上海科技大學。
任務導向的有損壓縮理論
在通信系統中，如何在有限帶寬下實現高效數據傳輸一直是核心挑戰。傳統的信息瓶頸(Information Bottleneck, IB)理論通過壓縮冗余信息、保留目標關鍵信息為核心任務(如分類)服務，但其單一任務導向的特性使其難以應對復雜場景下的多任務需求。
研究人員首次提出“率-失真-分類”(Rate-Distortion-Classification, RDC)和“率-感知-分類”(Rate-Perception-Classification, RPC)兩大函數，將IB理論拓展至多任務場景，成功統一重建、生成與類三類任務的聯合優化目標，為提取任務導向信息提供了新的理論框架。
圖一：綜合考慮失真(distortion)、感知(perception)與分類(classification)任務的有損壓縮模型
通過理論分析，研究人員證明了在高斯信源下，失真約束與分類目標存在折衷關系。例如，過度追求低均方誤差(MSE)會導致圖像分類準確率顯著下降；而在碼率受限時，感知質量提升則會加劇這一矛盾。此外，研究人員推導并揭示了信源噪聲對任務間權衡的決定性作用，提出了一個基于深度學習的多任務圖像壓縮框架，并在真實數據集上驗證了理論分析結果的準確性。該研究為智能通信、自動駕駛等場景的實時多任務處理提供了新思路。
圖二：高斯信源下的RDC與RPC函數
攻克異構計算難題，提出普適性編碼算法
在分布式計算領域，如何通過編碼技術降低通信負載是提升效率的關鍵。現有編碼分布式計算(CDC)方案嚴重依賴預設的文件分配規則，難以適配邊緣計算等場景中節點自主存儲數據、輸出函數多樣化的現實需求。
研究人員針對“任意預設的文件與函數分配”場景提出系統解決方案。通過定義“赤字比率”量化中間值的異構性，設計了“即時編碼傳輸(OSCT)”與“聯合編碼傳輸(FSCT)”兩大算法。算法通過對中間值進行高效的分類和分割，并充分利用多播增益，顯著優化了數據傳輸效率。其中OSCT算法注重數據塊的獨立解碼，適用于對實時性要求較高的場景；而FSCT算法則通過聯合解碼多個數據塊，進一步提升了多播增益，適用于對傳輸效率有更高要求的場景。研究人員通過理論分析，建立了算法達到最優計算負載-通信負載權衡關系的充分條件。
兩項研究雖分屬通信理論與分布式計算領域，但共同體現出“基礎理論創新—技術方案設計—實踐驗證”的研究路徑。在任務導向壓縮研究中，團隊從信息論出發構建統一框架，并通過深度學習模型實現落地；而在編碼計算領域，則從系統異構性建模切入，抽象出可擴展的算法核心。
這兩項研究的第一作者王宇瀚在本科階段完成主要理論與實驗工作。信息學院的很多本科課程都會設置項目型“大作業”，以本研結合模式培養具有學術前瞻性的學生，鼓勵學生從低年級接觸前沿問題，將前沿的研究成果引入課堂，實現科研、教學相互結合。
所有評論僅代表網友意見，與本站立場無關。