Tin tức
Công bố mới của nhóm nghiên cứu tại ICASSP 2026
Nhóm nghiên cứu của chúng tôi tiếp tục ghi nhận nhiều kết quả nổi bật tại 2026 IEEE International Conference on Acoustics, Speech, and Signal Processing (ICASSP 2026), được tổ chức tại Barcelona, Tây Ban Nha từ ngày 4–8/5/2026 — hội nghị quốc tế thuộc nhóm Qualis A1 và là một trong những diễn đàn học thuật uy tín hàng đầu thế giới trong lĩnh vực xử lý tín hiệu, trí tuệ nhân tạo và học máy, được tổ chức thường niên bởi Institute of Electrical and Electronics Engineers Signal Processing Society. Năm nay, hội nghị thu hút hơn 11.000 bài báo từ cộng đồng nghiên cứu trên toàn thế giới với tỉ lệ chấp nhận khoảng 40%, phản ánh tính cạnh tranh và chất lượng học thuật rất cao của ICASSP.
Đại diện nhóm, TS. Lê Trung Thành đã tham dự và báo cáo các công trình nghiên cứu mới của nhóm trong lĩnh vực tensor decomposition và xử lý dữ liệu đa chiều. Năm nay, nhóm có ba bài báo được chấp nhận tại ICASSP 2026, tập trung vào các hướng nghiên cứu hiện đại về tối ưu hóa, tensor learning và xử lý dữ liệu lớn:
1. Dang, N.Q., Le, T.T., Trung, N.L., and Abed-Meraim, K., “Re-LL1: An Effective Regularized (L,L,1)-Tensor Decomposition Method for Video Background Modeling and Foreground Separation,” Proc. IEEE ICASSP 2026.
2. Dang, N.Q., Nhat, D.M., Le, T.T., Trung, N.L., and Abed-Meraim, K., “Fast and Robust Triple Tensor Decomposition With Data Corruption,” Proc. IEEE ICASSP 2026.
3. Lan, N.T.N., Le, T.T., Trung, N.L., and Abed-Meraim, K., “TriNet: A Novel and Memory-Efficient Tensor Network for Higher-order Tensor Decomposition,” Proc. IEEE ICASSP 2026.
Các công trình của nhóm hướng đến việc xây dựng những mô hình tensor hiệu quả hơn cả về độ chính xác lẫn chi phí tính toán cho các bài toán thực tiễn như xử lý video giám sát, khôi phục dữ liệu và phân tích dữ liệu đa chiều quy mô lớn.
Trong đó, công trình Re-LL1 đề xuất một mô hình phân rã tensor có regularization cho bài toán tách nền và đối tượng chuyển động trong video. Phương pháp tích hợp nhiều cơ chế regularization nhằm đồng thời khai thác tính hạng thấp, tính thưa và tính liên tục theo thời gian của dữ liệu, qua đó cải thiện khả năng mô hình hóa và tăng tốc hội tụ.
Bài báo thứ hai giới thiệu TriTD-ADMM — một thuật toán tensor triple decomposition có khả năng xử lý dữ liệu nhiễu mạnh. Nhóm phát triển chiến lược tăng tốc RPAS giúp giảm đáng kể chi phí tính toán, cho phép phương pháp đạt tốc độ xử lý vượt trội trên nhiều bộ dữ liệu thực nghiệm.
Ở hướng nghiên cứu thứ ba, nhóm đề xuất TriNet decomposition — một kiến trúc tensor network mới có hiệu quả bộ nhớ cao dành cho dữ liệu bậc cao. Bằng việc sử dụng các relay factors để kết nối các tensor lõi, TriNet giúp giảm độ phức tạp lưu trữ trong khi vẫn duy trì độ chính xác cạnh tranh so với các phương pháp tiên tiến hiện nay.
Việc liên tiếp có nhiều công trình được chấp nhận tại ICASSP 2026 cho thấy sự phát triển mạnh mẽ của nhóm nghiên cứu trong các lĩnh vực tensor methods, machine learning và signal processing hiện đại, đồng thời khẳng định năng lực nghiên cứu và hội nhập quốc tế của các thành viên trong nhóm trong cộng đồng khoa học quốc tế.
THÀNH LÊ – ĐỨC KIÊN
