Tin tức & Sự kiện
Sinh viên nhóm nghiên cứu đạt thành tích cao tại Cuộc thi Sinh viên Nghiên cứu Khoa học cấp Trường Đại học Công nghệ, ĐHQGHN năm 2026
Nguyễn Thị Ngọc Lan, Tạ Giang Thùy Loan, Nguyễn Hoàng Lan, dưới sự hướng dẫn khoa học của TS. Lê Trung Thành, đã đạt thành tích xuất sắc tại Cuộc thi Sinh viên Nghiên cứu Khoa học cấp Trường Đại học Công nghệ, ĐHQGHN năm 2026, với 01 Giải Nhất và 01 Giải Nhì, ghi dấu ấn trong lĩnh vực trí tuệ nhân tạo, xử lý tín hiệu và khoa học dữ liệu.
🏆 Giải Nhất cấp Trường
Trong bối cảnh trí tuệ nhân tạo ngày càng phải xử lý các tập dữ liệu đa chiều với quy mô lớn, bài toán tối ưu hóa bộ nhớ và chi phí tính toán đang trở thành một trong những thách thức quan trọng. Xuất phát từ nhu cầu đó, đề tài đã đề xuất một mô hình mạng tensor hoàn toàn mới nhằm phân rã tensor bậc cao với hiệu quả sử dụng bộ nhớ vượt trội.
Điểm nổi bật của TriNet là khả năng tái cấu trúc dữ liệu đa chiều thông qua kiến trúc mạng tensor mới, giúp giảm đáng kể số lượng tham số và dung lượng lưu trữ trong khi vẫn duy trì độ chính xác của mô hình. Phương pháp này đặc biệt phù hợp với các bài toán có dữ liệu kích thước lớn như xử lý ảnh, video, tín hiệu y sinh (EEG, ECG), dữ liệu cảm biến và nhiều ứng dụng AI hiện đại.
Không chỉ đóng góp về mặt lý thuyết trong lĩnh vực phân rã tensor, TriNet còn mở ra hướng tiếp cận mới cho việc xây dựng các mô hình AI có khả năng xử lý dữ liệu quy mô lớn với chi phí tính toán thấp hơn, tạo tiền đề cho nhiều ứng dụng thực tiễn trong xử lý tín hiệu, khôi phục dữ liệu và tối ưu hóa các hệ thống trí tuệ nhân tạo.
🥈 Giải Nhì cấp Trường
Đề tài tập trung vào bài toán theo dõi không gian con thưa (Sparse Subspace Tracking) từ dữ liệu luồng bị nhiễu và chứa ngoại lai, một vấn đề có ý nghĩa quan trọng trong xử lý tín hiệu, học máy trực tuyến và phân tích dữ liệu thời gian thực.
Nhóm nghiên cứu đã đề xuất thuật toán α-OPIT (Alpha Online Power Iteration via Thresholding), được phát triển trên nền tảng phương pháp OPIT bằng cách kết hợp α-divergence nhằm tăng khả năng chống chịu trước nhiễu không tuân theo phân bố Gaussian và các điểm ngoại lai xuất hiện trong dữ liệu.
Thuật toán cho phép ước lượng và bám sát sự thay đổi của không gian con thưa theo thời gian với độ ổn định cao, hiệu quả tính toán tốt và khả năng thích ứng với môi trường dữ liệu động. Đây là một hướng nghiên cứu có nhiều tiềm năng ứng dụng trong xử lý tín hiệu, thị giác máy tính, học trực tuyến và các hệ thống phân tích dữ liệu thời gian thực.
Xem thêm:
