英国bet356亚洲版
信息技术研究生论坛
时间：2022年11月22日（星期二）14:00-18:00
地点：计算机与电子信息学院601教室
报告题目一：GeCro：基于特征分布相似性的人体活动射频信号跨域识别通用框架
报告人：罗澍宇
报告简介：得益于无接触和保护隐私的特点，基于无线反射信号的人类活动识别近年来受到工业界和学术界的广泛关注。然而，在实际部署过程中，感知主体或者感知环境可能是动态变化的，从而导致模型的识别性能下降。相比于以往的无监督跨域模型仅考虑拉近相近特征进行聚类的方式，本文考虑使用知识蒸馏的方式，向聚类模型隐式的传递目标域动作的不变特征分布信息，从而减少错误聚类的情况，进一步提升模型的跨域识别能力。此外，本文模型还能充分利用无标签或者有标签的数据，持续提升模型跨域识别能力。
报告题目二：DisenQNet:教育问题的解耦表示学习
报告人：王歆
报告简介：教育问题的表示学习是在线学习系统中的一个基本问题，它可以促进许多应用，如难度估计，习题推荐等。大多数现有的解决方案以有监督的方式将一个问题的所有信息整合在一起，但是由于标签数据的稀缺以及标签依赖的表示学习结果在下游任务中的可移植性较差，因此表示的结果往往有局限性。此外，将所有信息聚合到统一信息中，在应用中由于无法区分问题的不同特征，可能会引入一些噪声。在次报告中将介绍教育问题的解耦表示学习的研究——DisenQNet。DisenQNet是一个无监督模型，将一个教育问题分为两部分，即捕获其显式概念意义的概念表示和保留个性特征的个体表示。在真实数据集上的大量实验表明，DisenQNet可以为问题生成有效且有意义的解耦表示。
报告题目三：从未评估的资源中学习：深度多类型知识追踪
报告人：肖腾
报告简介：最新的知识追踪方法大多使用学生在已评估的学习资源类型中的表现来建模学生的知识，如小测验、任务和练习，而忽略了未被评估的学习资源。然而，许多学生的活动是没有被评估的，比如看视频讲座，参加一个讨论论坛，阅读教科书的一部分，所有这些都可能有助于学生的知识增长。在名为报告题目的这一论文中，作者提出了第一个新的基于深度学习的知识追踪模型（DMKT），该模型明确地模拟了学生在评估和非评估学习活动中的知识转换。使用DMKT，可以发现每个未被评估和被评估的学习材料的潜在概念，并更好地预测学生在未来被评估的学习资源中的表现。作者在四个真实数据集上将提出的方法与各种先进的知识追踪方法进行了比较，并展示了它在预测学生表现、表示学生知识和发现底层领域模型方面的有效性。
报告题目四：基于文本查询的全局与局部融合嵌入交通视频事件检索
报告人：杨联成
报告简介：在快速增长的数据领域，基于文本描述检索事件视频是一个很有前途的研究课题。交通数据每天都在增加，因此需要智能交通系统管理与人类一起加快搜索速度。一种解决方案是考虑与所述对象相关的邻居实体通过基于规则来表示事件，该规则可以通过多个对象的关系来表示事件。这种检索方法将阿里巴巴解决方案的修改模型与 AI 城市挑战 2021HCMUS 方法中的后处理技术相结合，以提高所得结果的可解释性。由于交通数据以车辆为中心，因此可以应用两个语言和图像模块来分析输入数据，并获得上下文的全局属性和车辆的内部属性。通过为每个表示向量引入一对一双训练策略，以优化查询的内部特征。最后，细化模块收集先前的结果以增强最终的检索结果。
报告题目五：用于注意力知识追踪的知识结构增强图表示学习模型
报告人：唐嵘蓉
报告简介：知识追踪（KT）是在线教育中一项基本但具有挑战性的任务，它追踪学习者不断变化的知识状态。近年来，大量的KT模型在这项任务中表现出色。然而，KT的充分性仍然受到学习者练习数据稀疏性的挑战。为了缓解稀疏性问题，大多数现有的KT研究都是在技能层面而非问题层面进行的。然而，在技能层面，KT忽略了问题的独特信息，在这种情况下，模型对于学习者知识状态的推断是不准确的。在知识领域中，技能自然以图的形式联系在一起（边是技能之间的先决关系），我们将这种图称为知识结构（KS）。将KS纳入KT过程可以潜在地解决稀疏性和信息丢失问题。在本文中，我们提出了一种新的具有注意力机制的KT的KS增强图表示学习模型。我们首先研究了自动从学习者交互数据中推断域KS的方法，并将其整合到KT过程中，大量的实验证明了我们模型的优越性和可解释性。
报告题目六：基于雷达和深度学习的非接触式心震图测量
报告人：杨彪
报告简介：心震图（SCG）是人类心脏机械活动的记录。它可以捕捉精细的心血管事件，例如如心脏瓣膜的打开和关闭以及心脏室的放松和紧缩。通过在心胸那一块绑上加速计数器来测量胸壁振动，获得心震图。这些记录可用于监测并诊断各种心血管疾病，包括心肌梗塞、冠心病和缺血。本文提出了RF-SCG，一种可以捕获心震图变化的系统，并且不需要与人体接触。这个系统通过分析雷达毫米波的反射来工作。RF-SCG可以重建心震图波形，它可以对个人体心脏的5个心血管事件进行高精度的记录。我们的设计基于将信号处理与深度学习相结合的架构。这个架构包括一个4D心脏波束形成器和一个深度学习管道（RF到SCG的转换器），它可以聚焦人体心脏的反射，将这些反射转换成SCG波形。21岁的健康评估受试者的40000次心跳展示了RF-SCG的记录五大主要心血管事件（主动脉瓣打开、主动脉瓣关闭、二尖瓣打开、二尖瓣关闭和体积收缩）的突出能力，中值误差在0.26%-1.29%之间。
报告题目七：基于Car2X的协同感知系统高级融合体系结构中的感知
报告人：袁和英
报告简介：将其他车辆传感器数据和本车辆传感器数据融合，经历时间对齐和和空间对齐两个步骤。采用了协同感知的高级融合体系结构。高级融合架构依赖于以下假设：每个传感器都会对其原始数据进行预处理，并为中央融合单元提供本地的轨迹列表，所有这些轨迹都包括轨迹的状态和协方差。除了估计的状态数随每个传感器而变化的事实外，传感器与中央融合模块之间的接口是标准化的。中央融合模块将本地轨道列表组合为全局轨道列表。
时间对齐是将其他车辆发送来的数据预测到当前时间；空间对齐是将其他车辆在它坐标系下的数据转换为在本车车辆坐标系下的数据。时间对齐以CTRA（恒定转弯速率和加速度）运动模型为基础。空间对齐采用无迹变换转换坐标。
