论文题目：Enhancing Length Generalization for Attention based Knowledge Tracing Models with Linear Biases

作者：李薛毅（暨南大学）、白友恒（暨南大学）、郭腾（暨南大学）、刘子韬（暨南大学）、黄雅莹（暨南大学）、赵翔宇（香港城市大学）、夏锋（澳大利亚皇家墨尔本理工大学）、罗伟其（暨南大学）、翁健（暨南大学）

通讯作者：刘子韬

论文概述：

       知识追踪（Knowledge Tracing, KT）任务是指基于学生过去的答题数据来预测学生未来的答题情况。随着注意力机制的快速发展，许多基于注意力机制的KT模型开始涌现。然而，现有基于注意力机制的KT模型，在学生答题数量超过模型训练长度时，模型性能会明显下降，我们将这称为KT模型的长度泛化（Length Generalization）问题。在本文中，我们提出了stableKT来增强模型的长度泛化能力，从而帮助KT模型从短序列中更好地学习特征，并在长序列泛化时保持良好的性能。此外，我们还设计了一个混合多头注意力机制，通过结合点乘注意力和双曲注意力来捕捉问题与知识点之间的复杂关系。我们在三个公开的教育数据集上进行了严谨的实验，实验结果表明，我们的模型在短序列上训练后，能够在长序列预测时保持良好性能，AUC和准确率方面优于所有基线模型。

论文题目：A Multi-Valued Decision Diagram-Based Approach to Constrained Optimal Path Problems over Directed Acyclic Graphs

作者：张洺玮（暨南大学）、方良达（暨南大学）、古镇豪（暨南大学）、官全龙（暨南大学）、赖永（吉林大学）

通讯作者：方良达、官全龙

论文概述：

       许多组合优化问题可以约简为有向无环图上的最优路径问题。最优路径问题的约束版本要求解满足给定的逻辑约束。Nishino等学者提出了一种基于二元决策图的约束搜索算法（BDD-constrained search，BCS），用于求解有向无环图约束最优路径问题。该算法将边看作变量，将约束看作布尔函数，并通过一种布尔函数的紧凑表示——二元决策图来维护约束。但是，BCS算法在搜索过程中存在冗余操作。为了减少这些冗余操作，我们使用顶点代替边作为变量，并因此使用多值函数表示约束。基于约束的多值函数表示，我们提出了一种新颖算法：基于多值决策图的约束搜索算法（MDD-constrained search，MCS）。该算法使用一种多值函数的紧凑表示——多值决策图代替了二元决策图。此外，我们提出多值函数的域约简技术，提高MCS算法的性能。实验结果表明，我们提出的MCS算法优于BCS算法。

论文题目：On the Logic of Theory Change Iteration of KM-Update, Revised

作者：方良达（暨南大学）、朱同（暨南大学）、官全龙（暨南大学）、邱俊铭（中山大学、暨南大学）、赖兆荣（暨南大学）、罗伟其（暨南大学）、万海（中山大学）

通讯作者：官全龙、邱俊铭

论文概述：

       信念修正和更新是信念改变的两个重要分支，均旨在研究智能体如何根据新信息修改其信念。它们之间最显著的区别在于前者研究的是静态世界中的信念改变，而后者主要关注动态世界的信念改变。著名的AGM和KM公设被分别提出用于刻画理性的信念修正和更新。然而，它们的约束过于宽松，不足于排除迭代过程中一些不可理的信念改变。为此，DP公设及其扩展被相继提出以描述合理的迭代信念修正行为。进一步地，Ferme和Goncalves将这些公设融合进信念更新中。但是他们提出的关于信念状态和用于语义描述的可信赋值存在一些冗余的组件。更重要的是，他们的方法并没有满足迭代信念更新所要求的理想性质，并且缺乏关于DP公设在信念更新中合理性的讨论。本文旨在弥补他们方法的上述不足。首先，我们基于信念状态，对原始KM公设做出了修改，并提出了可信集合赋值用于将每个信念状态映射到偏序上。然后，我们将迭代信念修正中的几个著名的公设迁移到信念更新中。针对每个提出的公设，我们基于偏序提供了对应的精确语义刻画。最后，我们分析了这些迭代更新公设和信念更新中KM公设之间的兼容性。