石在

教育经历

信息与电子工程学系

工作经历

朝晖特聘副研究员 @ 浙江工业大学

2025年2月至今

高级技术研究专员 @ 阿里云集团

2022年2月至2025年2月

以一作共发表CCF-A论文5篇，CCF-B论文1篇，顶尖机器学习会议论文2篇。

浙工大期间

• Zai Shi, Dunyi Ye, Liang Huang, and Kaikai Chi. “xxxx”, Submitted to IEEE INFOCOM 2027.

• Zai Shi, Liang Huang, and Kaikai Chi. “xxxx”, Submitted to IEEE INFOCOM 2027.

• Yuqi Li, Kaikai Chi, Peilei Zhou, Chunfeng Chen, Liang Huang, and Zai Shi. “Uncertainty-Aware Knowledge Fusion and Decision Support for Multi-User VR Streaming.” In International Conference on Knowledge Science, Engineering and Management, pp. 13–23, Springer Nature Singapore, 2026.

阿里期间

• Zai Shi, Jian Tan. ”Autoscaling via Online Optimization with Switching Cost Constraints.”
  IEEE/ACM Transactions on Networking。(Accepted，CCF-A 刊）
• Zai Shi, Jian Tan, and Feifei Li. ”A Bayesian Approach for Bandit Online Optimization with
  Switching Cost.” In Uncertainty in Artificial Intelligence (UAI), pp. 1953-1963. PMLR, 2023. (机器学
  习顶会，接收率：31.2%）

• Zai Shi, Yilin Zheng, and Atilla Eryilmaz. ”A Bayesian Framework for Online Nonconvex Optimization
  over Distributed Processing Networks.” In IEEE INFOCOM 2023-IEEE Conference on Computer
  Communications, pp. 1-10. IEEE, 2023. (CCF-A 会议，接收率: 19.2%)
• Zai Shi, and Atilla Eryilmaz. ”A Bayesian Approach for Stochastic Continuum-armed Bandit with
  Long-term Constraints.” In International Conference on Artificial Intelligence and Statistics (AISTATS),
  pp. 8370-8391. PMLR, 2022.（机器学习顶会，接收率：29.2%）
• Zai Shi, and Atilla Eryilmaz. ”Communication-efficient Subspace Methods for High-dimensional
  Federated Learning.” In 2021 17th International Conference on Mobility, Sensing and Networking
  (MSN), pp. 543-550. IEEE, 2021. (邀请论文）
• Zai Shi, and Atilla Eryilmaz. ”A Flexible Distributed Stochastic Optimization Framework for
  Concurrent Tasks in Processing Networks.” IEEE/ACM Transactions on Networking 29, no. 5 (2021):
  2045-2058. (CCF-A 刊)
• Zai Shi, and Atilla Eryilmaz. ”A Zeroth-order ADMM Algorithm for Stochastic Optimization over
  Distributed Processing Networks.” In IEEE INFOCOM 2020-IEEE Conference on Computer Com-
  munications, pp. 726-735. IEEE, 2020. (CCF-A 会议，接收率: 19.8%)
• Zai Shi, and Atilla Eryilmaz. ”Cubic Regularized ADMM with Convergence to a Local Minimum
  in Non-convex Optimization.” In 2019 57th Annual Allerton Conference on Communication, Control,
  and Computing (Allerton), pp. 407-414. IEEE, 2019.
• Zai Shi, and Atilla Eryilmaz. ”A Flexible Distributed Optimization Framework for Service of
  Concurrent Tasks in Processing Networks.” In IEEE INFOCOM 2019-IEEE Conference on Computer
  Communications, pp. 1072-1080. IEEE, 2019. (CCF-A 会议，接收率: 19.7%)
• Li, Bin, Zai Shi, and Atilla Eryilmaz. ”Efficient Scheduling for Synchronized Demands in Stochastic
  Networks.” In 2018 16th International Symposium on Modeling and Optimization in Mobile, Ad
  Hoc, and Wireless Networks (WiOpt), pp. 1-8. IEEE, 2018

回顾我在博士期间和阿里期间的科研工作，主要的研究主题是在各种应用场景下的随机优化。一般而言，随机优化的目标是 minx Eξ[f(x; ξ)]，其中 ξ 为随机变量。我们往往借助离线或者在线的数据样本{ξ}去优化我们的目标函数。当数据点分散在分布式系统中，问题变成了分布式优化；当目标函数为机器学习中的各种损失函数，那么就是机器学习的优化。随机优化之所以在如今受到越来越多的重视，是因为在这个大数据时代，大部分优化的场景是数据驱动的，随机优化就是通过目标函数去挖掘数据最大的价值。

随机优化算法的本质在于回答两个问题：1）离线或者在线的数据点能提供目标函数的哪些信息；2）怎样利用这些信息去一步步优化目标函数。如果我们能够通过数据样本获取目标函数的随机梯度甚至是Hessian 矩阵，那么我们就获得了目标函数带噪声的下降方向，这就是以 SGD 为代表的梯度算法；如果目标函数是黑盒且符合某些特定的条件那么我们可以赋予目标函数一个先验概率，数据点提供的信息就是不断更新的后验概率，从而获取最优值，这就是贝叶斯优化；而在分布式系统中，子系统只有目标函数的部分信息，因而需要子系统通过网络通信达成一致，最终获得全局最优解，这就是分布式优化。这些构成了我之前研究的主要内容。

当前，大模型（LLM）在各行各业得到了广泛应用，也为随机优化问题带来了更多的挑战与机遇。首先，大模型的练和微调中出现了更复杂、更多样的随机优化问题（Optimization for LLM）；同时，大模型强大的泛化能力也为一些类型的随机优化问题带来了新的解决方案（LLM for Optimization）。前者的研究将聚焦在上一节中的问题 2），即如何高效利用庞大的数据量去优化包含巨大参数量的大模型本身，后者的研究将聚焦在上一节中的问题 1），即如何利用大模型的能力去挖掘目标函数更多、更准确的信息。具体如下：

1）Optimization for LLM：大模型训练和微调为随机优化问题带来了新的挑战。具体而言，

2）LLM for Optimization: 大模型对于复杂数据分布的建模能力又为随机优化带来了新的可能。

2026-2027学年第一学期： 《Python与人工智能基础》for 大一

主持项目：

1. 带约束黑盒优化的生成式算法研究，浙江省自然科学基金青年项目，2026.01-2027.12

参与项目：

1. 基于无人机的无线供能与边缘计算智能协同调度方法研究 ，浙江省自然科学基金重点项目，2026.01-2028.12

2. NSF: NeTS: Fast Online Machine Learning Algorithms for Wireless Networks，NSF项目，博士期间