澳门太阳集团9728网站
信息技術研究生論壇
時間：2022年11月22日（星期二）14:00-18:00
地點：澳门太阳集团9728网站601教室
報告題目一：GeCro：基于特征分布相似性的人體活動射頻信号跨域識别通用框架
報告人：羅澍宇
報告簡介：得益于無接觸和保護隐私的特點，基于無線反射信号的人類活動識别近年來受到工業界和學術界的廣泛關注。然而，在實際部署過程中，感知主體或者感知環境可能是動态變化的，從而導緻模型的識别性能下降。相比于以往的無監督跨域模型僅考慮拉近相近特征進行聚類的方式，本文考慮使用知識蒸餾的方式，向聚類模型隐式的傳遞目标域動作的不變特征分布信息，從而減少錯誤聚類的情況，進一步提升模型的跨域識别能力。此外，本文模型還能充分利用無标簽或者有标簽的數據，持續提升模型跨域識别能力。
報告題目二：DisenQNet:教育問題的解耦表示學習
報告人：王歆
報告簡介：教育問題的表示學習是在線學習系統中的一個基本問題，它可以促進許多應用，如難度估計，習題推薦等。大多數現有的解決方案以有監督的方式将一個問題的所有信息整合在一起，但是由于标簽數據的稀缺以及标簽依賴的表示學習結果在下遊任務中的可移植性較差，因此表示的結果往往有局限性。此外，将所有信息聚合到統一信息中，在應用中由于無法區分問題的不同特征，可能會引入一些噪聲。在次報告中将介紹教育問題的解耦表示學習的研究——DisenQNet。DisenQNet是一個無監督模型，将一個教育問題分為兩部分，即捕獲其顯式概念意義的概念表示和保留個性特征的個體表示。在真實數據集上的大量實驗表明，DisenQNet可以為問題生成有效且有意義的解耦表示。
報告題目三：從未評估的資源中學習：深度多類型知識追蹤
報告人：肖騰
報告簡介：最新的知識追蹤方法大多使用學生在已評估的學習資源類型中的表現來建模學生的知識，如小測驗、任務和練習，而忽略了未被評估的學習資源。然而，許多學生的活動是沒有被評估的，比如看視頻講座，參加一個讨論論壇，閱讀教科書的一部分，所有這些都可能有助于學生的知識增長。在名為報告題目的這一論文中，作者提出了第一個新的基于深度學習的知識追蹤模型（DMKT），該模型明确地模拟了學生在評估和非評估學習活動中的知識轉換。使用DMKT，可以發現每個未被評估和被評估的學習材料的潛在概念，并更好地預測學生在未來被評估的學習資源中的表現。作者在四個真實數據集上将提出的方法與各種先進的知識追蹤方法進行了比較，并展示了它在預測學生表現、表示學生知識和發現底層領域模型方面的有效性。
報告題目四：基于文本查詢的全局與局部融合嵌入交通視頻事件檢索
報告人：楊聯成
報告簡介：在快速增長的數據領域，基于文本描述檢索事件視頻是一個很有前途的研究課題。交通數據每天都在增加，因此需要智能交通系統管理與人類一起加快搜索速度。一種解決方案是考慮與所述對象相關的鄰居實體通過基于規則來表示事件，該規則可以通過多個對象的關系來表示事件。這種檢索方法将阿裡巴巴解決方案的修改模型與 AI 城市挑戰 2021HCMUS 方法中的後處理技術相結合，以提高所得結果的可解釋性。由于交通數據以車輛為中心，因此可以應用兩個語言和圖像模塊來分析輸入數據，并獲得上下文的全局屬性和車輛的内部屬性。通過為每個表示向量引入一對一雙訓練策略，以優化查詢的内部特征。最後，細化模塊收集先前的結果以增強最終的檢索結果。
報告題目五：用于注意力知識追蹤的知識結構增強圖表示學習模型
報告人：唐嵘蓉
報告簡介：知識追蹤（KT）是在線教育中一項基本但具有挑戰性的任務，它追蹤學習者不斷變化的知識狀态。近年來，大量的KT模型在這項任務中表現出色。然而，KT的充分性仍然受到學習者練習數據稀疏性的挑戰。為了緩解稀疏性問題，大多數現有的KT研究都是在技能層面而非問題層面進行的。然而，在技能層面，KT忽略了問題的獨特信息，在這種情況下，模型對于學習者知識狀态的推斷是不準确的。在知識領域中，技能自然以圖的形式聯系在一起（邊是技能之間的先決關系），我們将這種圖稱為知識結構（KS）。将KS納入KT過程可以潛在地解決稀疏性和信息丢失問題。在本文中，我們提出了一種新的具有注意力機制的KT的KS增強圖表示學習模型。我們首先研究了自動從學習者交互數據中推斷域KS的方法，并将其整合到KT過程中，大量的實驗證明了我們模型的優越性和可解釋性。
報告題目六：基于雷達和深度學習的非接觸式心震圖測量
報告人：楊彪
報告簡介：心震圖（SCG）是人類心髒機械活動的記錄。它可以捕捉精細的心血管事件，例如如心髒瓣膜的打開和關閉以及心髒室的放松和緊縮。通過在心胸那一塊綁上加速計數器來測量胸壁振動，獲得心震圖。這些記錄可用于監測并診斷各種心血管疾病，包括心肌梗塞、冠心病和缺血。本文提出了RF-SCG，一種可以捕獲心震圖變化的系統，并且不需要與人體接觸。這個系統通過分析雷達毫米波的反射來工作。RF-SCG可以重建心震圖波形，它可以對個人體心髒的5個心血管事件進行高精度的記錄。我們的設計基于将信号處理與深度學習相結合的架構。這個架構包括一個4D心髒波束形成器和一個深度學習管道（RF到SCG的轉換器），它可以聚焦人體心髒的反射，将這些反射轉換成SCG波形。21歲的健康評估受試者的40000次心跳展示了RF-SCG的記錄五大主要心血管事件（主動脈瓣打開、主動脈瓣關閉、二尖瓣打開、二尖瓣關閉和體積收縮）的突出能力，中值誤差在0.26%-1.29%之間。
報告題目七：基于Car2X的協同感知系統高級融合體系結構中的感知
報告人：袁和英
報告簡介：将其他車輛傳感器數據和本車輛傳感器數據融合，經曆時間對齊和和空間對齊兩個步驟。采用了協同感知的高級融合體系結構。高級融合架構依賴于以下假設：每個傳感器都會對其原始數據進行預處理，并為中央融合單元提供本地的軌迹列表，所有這些軌迹都包括軌迹的狀态和協方差。除了估計的狀态數随每個傳感器而變化的事實外，傳感器與中央融合模塊之間的接口是标準化的。中央融合模塊将本地軌道列表組合為全局軌道列表。
時間對齊是将其他車輛發送來的數據預測到當前時間；空間對齊是将其他車輛在它坐标系下的數據轉換為在本車車輛坐标系下的數據。時間對齊以CTRA（恒定轉彎速率和加速度）運動模型為基礎。空間對齊采用無迹變換轉換坐标。
