邵子瑜博士，信息学院常任副教授（Tenured, 长聘），目前担任学院教学委员会共同主任，智能网络中心主任以及校教学委员会委员。

邵子瑜博士在北京大学信息学院获得本科与硕士学位，在香港中文大学信息工程系获得博士学位。 他曾于2012年任美国普林斯顿大学电子工程系高级访问学者，于2017年任美国加州大学伯克利分校电子工程与计算机系访问教授, 以及伯克利Simons计算理论研究院访问科学家。邵博士曾获得科学中国人杂志社2015年度信息科学领域年度人物提名。 邵博士还于2016年， 2017年以及2019年三度荣获上海科技大学优秀教师称号，并分别获得上海科技大学信息学院年度最佳服务奖，年度最佳教学奖以及年度最佳科研奖。 除此之外，他还获得2019年度谷歌奖教金。

邵博士是IEEE高级会员，上海市计算机学会理事会理事，上海市计算机学会理论计算机专委会副主任。 他长期从事信息网络领域的基础理论和关键技术研宄，致力于开发基于通信计算控制融合的新一代网络化人工智能系统。他主要的研究方向为强化学习，统计学习，随机优化，机器学习，在线学习与优化及其在边缘智能(移动自然语言处理系统，移动视觉系统)，联邦学习系统，分布式深度学习系统中的应用。 邵博士在IEEE/ACM国际顶级期刊与旗舰会议上共发表论文70余篇，解决领域内多个公开难题，并主持多项国家自然科学基金以及上海市自然科学基金。 他指导的研究生曾获得CSC-IBM中国学生奖学金以及多个国家奖学金。

科研领域示例：

（1）分布式人工智能: 分布式人工智能作为通用人工智能的新一代范式，是以智能网络为数字底座，通过构建一个协作式、去中心化的网络系统来实现群体智能，有效应对实际场景中的各种不确定性。分布式人工智能中的核心问题之一就是如何在资源受限的条件下部署高性能且可信可控可解释的分布式训练与推理，实现感知决策一体化智能。针对这一公开性难题，我们以含上下文信息的多臂老虎机决策模型为切入点，利用神经正切核理论、在线学习方法和李雅普诺夫随机优化技术首次提出可信可控可解释的感知决策一体化智能算法设计框架。该设计框架同时在计算复杂度、表征泛化能力以及可信可解释这三个方面取得了很好的平衡，应用适配，仿真以及实验平台演示证明了其性能的优越性，在分布式人工智能中有着广泛的应用前景。

(2) 边缘自然语言处理: 目前已有的自然语言处理服务大多依托于云端部署的大型机器学习模型，不可避免具有服务响应缓慢、链接中断等远距离、集中式访问所带来的缺陷。着眼于自然语言处理服务的时效性，研究人员在国际上率先提出了边缘自然语言处理(Edge NLP)的概念，他们提出了一套分布式边缘自然语言处理框架，特别关注边缘端在算力、存储、能量等多种资源的稀缺性。通过对极具代表性的自然语言处理任务的实例研究和分析，验证了该分布式框架的有效性，及其在未知、随机的现实决策场景中的高效性。该成果不仅可用于科技向善，关爱残障人士的信息无障碍智能系统以及分布式生成式人工智能系统，未来还可用于分布式自然语言大模型的训练和推演，即在边缘端部署成千上万个中小规模的自然语言模型，将其有效聚合起来实现接近甚至超越单一自然语言大模型的性能。

(3) 智能网络调度机制: 近年来在人工智能，通信、计算、控制等多方技术融合的大趋势下，为了应对快速变化的网络需求，提供多样化高质量的网络服务，智能化网络调度技术研究应运而生，即借助人工智能技术构建针对网络流量以及用户需求的在线预测，并结合这些预测分析结果，为网络系统提供预测性调度服务。但在已有的研究方案中，基础性的核心问题尚未解决：（1）在不同网络场景下，预测性调度所带来的根本性增益的极限何在？（2）利用短期的流量可预测性，是否足以显著提升系统性能？（3）调度过程中相关的性能指标之间的权衡如何量化？（4）预测失效将为系统性能带来怎样的影响？针对这些基础性核心问题，我们提供了一套系统性的解决方案。值得一提的是，这些研究成果不但适用于所聚焦的网络场景，同时也能为新基建背景下，构建以5G、物联网、工业互联网、卫星互联网为代表的通信网络基础设施，以人工智能、云计算、区块链等为代表的新技术基础设施，和以数据中心、智能计算中心为代表的算力基础设施，提供有益的理论指导与设计思路

(4) 网络基础理论:  网络研究领域一直以来有一个基础性的公开难题，即如何采用自顶向下的方法系统性地设计网络尤其是大型网络的拓扑结构，以满足各种领域不同的性能要求。目前已有的网络拓扑结构设计方案绝大部分采用自底向上的方法进行设计，非常依赖于设计者的工程经验和巧妙的启发式想法。以云计算领域以及人工智能的核心系统“数据中心网络”为例，对其拓扑结构的研究已经有很长的历史，涌现出Fat-Tree、DCell等许多经典拓扑结构。其中，Fat-Tree结构已经被谷歌、微软、Facebook、阿里巴巴、百度、腾讯等大型IT企业的数据中心广泛采用。但是这些通过自底向上方法设计的拓扑结构，只适用于某些特定网络场景，难以有效地扩展升级到更广泛的场景，因为有几个核心问题无法很好地回答：（1） 为什么有些拓扑结构如Fat-tree在实际系统中运行效果很好？（2）这些拓扑结构什么时候运行效果不好？（3）如何系统性的去提高拓扑结构的设计？为了回答这些核心问题，我们另辟蹊径，提出一套通用的理论设计框架，终于彻底解决这一基础性公开难题。解决问题的思路是采用逆向工程与前向工程相结合的方法。一直以来，我们都有一个信念，即通过经验和启发式想法设计的实际系统中运行得非常好的工程设计，其背后必定蕴含着一个相应的数学原理和隐含问题，而该设计可以看成是解决了对应隐含数学问题的最优方案。解决问题的入手点是针对数据中心网络中最常用的Fat-tree结构进行逆向工程。这是非常关键的一步，在尝试了许多思路和工具之后，终于发现Fat-Tree结构设计背后的数学原理。原来，Fat-Tree结构可以看做是一类组合设计结构在一定约束条件下的最优设计。在此基础上，我们从组合设计理论中找到了几个关键性的工具并对其加以改造，结合前述的数学原理以及工程结构从而凝练出一套通用的拓扑结构设计分析框架。研究人员发现，数据中心网络和超算中几乎所有的已知重要拓扑结构都可以从这套通用设计框架中系统性地产生。不仅如此，通过这套设计框架，还可以系统性地改进已有的拓扑结构并明白其极限所在。通过这套通用拓扑结构设计框架，我们做了许多前向工程工作，针对不同领域的性能需求，系统性地产生了数十个不同类别的新型拓扑结构，可以满足数据中心、超算、联邦学习、智能物联网、集成电路设计等多个领域的网络拓扑结构需求。而且这样的拓扑结构还可以与最新的机器学习、强化学习技术结合，设计出各种自适应智能网络，更好地实现网络智能。

书院导师组工作；学院和学校相关委员会工作；研究生指导工作；上海市、国家乃至国际学术团体活动

分布式人工智能相关研究成果

S. Wang, Z. Shao, and J. Lui, ‘‘Next-Word Prediction: A Perspective of Energy-Aware Distributed Inference’’, IEEE Transactions on Mobile Computing, Early Access

Y. Tang, J. Hou, X. Huang, Z. Shao, and Y. Yang, ‘‘Green Edge Intelligence Scheme for Mobile Keyboard Emoji Prediction’’, IEEE Transactions on Mobile Computing, 2024.

S. Wang, S. Bian, X. liu, and Z. Shao, ‘‘Neural Constrained Combinatorial Bandits’’, in Proceedings of IEEE INFOCOM 2023, New York, U.S.A, May 17-20, 2023.

H. Yu, A. Chen, X. Chen, L. Xu, Z. Shao, and J. Yu, ‘‘Anisotropic Fourier Features for Neural Image-Based Rendering and Relighting’’, in Proceedings of AAAI 2022 (Oral), February 22 - March 1, 2022.

X. Huang, S. Bian, X. Gao, W. Wu, Z. Shao , Y. Yang and J. Lui, ‘‘Online VNF Chaining and Predictive Scheduling: Optimality and Trade-offs’’, IEEE/ACM Transactions on Networking, vol. 29, no. 4, pp. 1867-1880, August 2021.

Y. Chang, X. Huang, L. Deng, Z. Shao, and J. Zhang, ‘‘Systematic Topology Design for Large-Scale Networks: A Unified Framework’’, in Proceedings of IEEE INFOCOM 2020, Toronto, Canada, July 6-9, 2020.