论文题目：Denoise Attention and Question-Augmented Representations for Knowledge Tracing

作者：邓继伟（暨南大学）、白友恒（暨南大学）、侯明良（好未来）、郭腾（暨南大学）、刘子韬（暨南大学）、罗伟其（暨南大学）

通讯作者：侯明良

摘要：近年来，注意力机制驱动的知识追踪（Attention-based Knowledge Tracing, AKT）方法在在线教育系统中取得了显著进展，但仍存在输入表示不准确和学生遗忘建模过度等问题，导致模型易产生注意力噪声，即对认知上无关的信息赋予较高的注意力权重，从而引入干扰信号并影响预测准确性。为解决上述挑战，本文提出了一种新型的去噪知识追踪模型 DenoiseKT。该模型一方面引入题目难度建模机制，提升了输入特征的刻画能力；另一方面融合图神经网络以捕捉题目间复杂的语义与结构关系，从结构层面优化了题目表示；此外，DenoiseKT设计了去噪注意力机制，通过引入权重因子降低对无关信息的注意力分配，从根源上缓解了注意力干扰问题。本文在四个广泛使用的公开数据集上将DenoiseKT与22种主流知识追踪模型进行了系统比较，实验结果表明DenoiseKT在预测准确性和鲁棒性方面均优于现有方法，证实了其在缓解注意力噪声方面的有效性与通用性。

论文题目：Improvements to the Generate-and-Complete Approach to Conformant Planning

作者：方良达（暨南大学）、詹敏（暨南大学）、童金（暨南大学）、黄秀姐（暨南大学）、陈子良（鹏城实验室）、官全龙（暨南大学）

通讯作者：黄秀姐、官全龙

摘要：一致性规划是一项极具挑战性的任务，需要在初始状态和动作效果不确定的情况下，生成一个动作序列使得所有初始状态可以到达目标状态。生成-补全方法（GC）在一致性规划方面表现优异，该方法会迭代枚举单个初始状态的规划解，并尝试将其扩展到所有初始状态，直到找到有效解为止。然而，生成-补全方法的两大缺点限制了它的性能：① 状态探索带来的计算开销；② 补全过程中插入过多冗余动作，导致解的质量变差。为了克服上述缺点，我们做了三个主要改进：① 引入了反例迭代框架进行求解；② 采用基于SAT的验证方式来进行解的验证；③ 提出冗余解消除方法来提升解的质量。我们并提出了一种新的规划器iGC。实验结果表明，在许多具有大量初始状态的实例中，iGC规划器比原始GC方法有显著改进，在总共1179个实例中，相比求解总数第二多的DNF规划器，多求解了205个实例。