近日，以学院崔超然教授作为第一作者的多篇论文分别发表在IEEE Transactions on Circuits and Systems for Video Technology、ACM Transactions on Information Systems、PatternRecognition等国际知名学术期刊。论文涉及机器学习方法、教育数据挖掘、金融数据挖掘等多个研究方向。
在机器学习方法研究方面，论文“Adversarial Source Generation for Source-Free Domain Adaptation”针对迁移学习中的数据安全与隐私保护问题，提出了一种基于对抗性生成的无源领域自适应方法。方法引入生成模块来产生带标记的源域样本，并利用这些样本提升模型的跨域适应性。特别地，方法通过对抗训练将生成阶段和适应阶段整合在一个协作框架中：在生成阶段，源域样本并不是盲目被生成的；相反，它们是在适应阶段难以被对齐的样本，可以为适应阶段提供更充分的监督信息。为了实现细粒度的领域对齐，方法通过对比学习度量源领域和目标领域之间的类别差异。在多个基准数据集上的大量实验证明了方法的有效性。论文已在期刊IEEE Transactions on Circuits and Systems for Video Technology上在线发表，该期刊是中科院SCI一区Top期刊，系我校A1类期刊。
在教育数据挖掘研究方面，论文“DGEKT: A Dual Graph Ensemble Learning Method for Knowledge Tracing”针对学习者知识状态动态建模问题，提出了一种基于双图集成学习的知识追踪方法。方法建立了学习者答题行为之间的双图结构，分别通过超图神经网络和有向图神经网络来捕获题目-知识点关联信息和答题行为连续转移信息。此外，方法引入在线知识蒸馏技术，将双图模型自适应地结合形成一个更强的集成教师模型，将教师模型对所有题目的预测作为额外监督信号，以获得更好的建模能力。在三个基准数据集上的实验对比结果证明了方法的先进性。论文已在期刊ACM Transactions on Information Systems上在线发表，该期刊是中国计算机学会（CCF）推荐的A类国际期刊，系我校A1类期刊。
在金融数据挖掘研究方面，论文“Temporal-Relational Hypergraph Tri-Attention Networks for Stock Trend Prediction”针对股票投资中的择时问题，提出了一种基于超图三重注意力网络的股票趋势预测方法。方法引入两个超图结构来分别描述股票的行业所属关系和基金持仓关系，并利用超边内、超边间和超图间的层次注意力模块来增强超图卷积过程，从而充分利用股票间的潜在协同效应。在中国A股市场真实数据集上进行的对比实验证明了该方法具有较高的趋势预测精度，回测也表明基于该方法的择时投资策略可以获得更理想的风险调整回报。论文已在期刊PatternRecognition上正式发表，该期刊是中科院SCI一区Top期刊，系我校A1类期刊。
编审：李云枝
