beat365中文官方网站

信息技术研究生论坛

时间：2022年6月23日（星期四）19:00-22:00

地点：beat365中文官方网站807B教室

报告题目一：元学习中的关系探索与研究

报告人：张鸿铭

报告简介：为了使机器学习算法具备快速学习的能力，元学习近年来取得了广泛的关注并且已经在诸如图像分类、问答系统和健康风险预测等多种应用中取得了显着的成功。然而，任务的异质性和对训练任务的过拟合限制了当前元学习的泛化能力。 在本次演讲中，我将首先介绍两个提高元学习泛化能力的一般规则：结构化与数据增强。然后，我将介绍使用每个规则的几个具体实例，包括连续结构化任务的算法，克服任务过拟合简单方法以及几个实际应用。最后，我将讨论潜在的挑战以及一些未来研究方向。

报告题目二：基于车路协同的无人驾驶感知信息传输控制研究

报告人：刘宏彪

报告简介：当涉及到无人驾驶车辆技术的发展时，感知是一个关键问题。而由于无人驾驶汽车的自身感知范围有限，不得不借助其他车辆或道路基础设施所感知到的信息来满足自身的决策。本报告将介绍车与车之间和无人驾驶汽车与RSU之间的协同感知工作以及相关的感知信息传输策略，对以往的感知信息传输策略研究进行回顾。并结合和本人之前工作中介绍的轨迹预测任务，针对在真实的车路协同场景中，对如何在轨迹预测任务中如何控制RSU生成的感知信息的与无人驾驶车辆之间的信息交互进行讲解。报告最后将对在不同的车辆行驶环境中感知信息传输所面临的潜在问题和未来研究思路进行展望。

报告题目三：卷积知识追踪：学生学习过程中的个性化建模

报告人：黄欣悦

报告简介：随着在线教育系统的发展，越来越多研究工作聚焦于知识追踪（Knowledge Tracing, KT）。KT旨在评估学生不断变化的知识状态，以此判断学生对知识的掌握程度从而提供个性化的指导。然而，以往的知识追踪研究忽略了学生的个性化差异，即没有考虑到每个学生的先验知识与学习率都有所不同的情况。为此，本报告主要介绍一种新的知识追踪模型——卷积知识追踪，该模型能更好地对学生的学习过程进行个性化建模。本次报告将以最基本的深度知识追踪模型作为起点，进一步介绍卷积知识追踪模型，并做深入阐述和比较分析。报告最后将讨论现有知识追踪模型存在的挑战，并对卷积知识追踪模型未来研究进行展望。

报告题目四：基于区块链的车联网数据共享研究

报告人：谢林岩

报告简介：随着区块链技术的发展，区块链已经与越来越多的物联网技术相融合，车联网是其中的一个重要分支。区块链技术与车联网相结合，在促进车联网数据共享和隐私保护改善方面拥有巨大的潜力，但使用区块链技术如何保证车联网数据安全共享仍存在一定问题。本报告对区块链和车联网技术融合的最新研究与车联网数据共享的应用进行了系统的整理和分析。首先，总结归纳传统车联网数据共享模型并分析其特点；其次，从共享数据可靠性、共享数据安全性、激励机制、访问控制、可扩展性和储存方式六方面介绍基于区块链的车联网数据安全共享现状；最后，讨论了该领域未来研究发展的方向，并对解决车联网中数据共享安全问题提出解决思路。

报告题目五：教育同行互评中挖掘文本信息的研究

报告人：杨攀原

报告简介：随着大规模的在线开放课程(MOOCs)的流行，一门课程的参与人数可以达到成千上万人。这对主观题目作业的批改工作带来了巨大的负担。同行互评，作为目前一种主流的解决大规模作业批改的方式，对于学生学习有几个优势。然而，这些优势只能通过高质量的反馈才能得到实现。如果在互评的反馈中包含有具体的建议，并且这些建议对被审查人来说是合理的，那么这些建议就是培训审查人解决问题能力的中介，同行互评带来的好处也不仅仅是问题本身。本研究提出了几种检测建议的神经网络方法，并将其与传统的自然语言处理(NLP)方法，如基于规则的技术，以及过去的机器学习方法进行了比较。最后，报告总结了教育领域的其他文本信息的获取及展望。

报告题目六：混合式隐形评估框架提升学生学习能力模型的研究

报告人：钱韦伟

报告简介：近年来，基于个性化的学习在创造吸引人且有效的学习体验方面表现出了巨大的潜力。如何根据学生学习情况动态的定制学习中的挑战，并且帮助老师掌握学生的学习情况？要解决上述问题，就要预测学生对知识概念的掌握情况。本报告将对以往预测学生对知识概念的相关研究进行回顾，并介绍一种混合隐形评估框架。该框架旨在通过学生与学习环境的互动来预测学生对概念的掌握情况，利用观察到的学生行为，以及学生学习过程中遇到的挑战和会话的特征来预测学生在知识概念上的学习结果。报告的最后将对混合隐形评估框架未来的研究进行展望。

报告题目七：下次旅行推荐的位置嵌入

报告人：舒雅婷

报告简介：社交媒体和专门博客上的信息量对用户计划旅行很有用。然而，用户很快就被提供给他的可能性列表所淹没，这使得他的搜索更加复杂而耗时。推荐系统旨在通过利用不同类型的信息，为用户提供个性化的建议，从而帮助他们进行决策过程。最近，神经网络和知识图的使用已被证明是有效的项目推荐。在我们的工作中，我们提出了一种利用上下文、协作和内容信息的方法，以便向旅行者推荐个性化的目的地。我们将我们的方法与一套最先进的协同过滤方法和基于深度学习的推荐系统进行了比较。

报告题目八：紧急情况下的自动驾驶决策关键技术研究

报告人：韩金磊

报告简介：

无人驾驶汽车是当前学术界和工业界的研究热点，安全性是自动驾驶任务中人们最关注的问题之一，加强车辆应对紧急交通情况的能力是提升道路安全的重要方面。本次报告总结了自动驾驶领域决策的相关研究，并探讨不同决策方法在紧急交通情况下的适用性；此外，报告总结了紧急情况下自动驾驶决策的关键技术点，并讨论了未来的研究方向。

欢迎广大师生踊跃参加！