ku111net议时间：4月23日（周三）14:30
参ku111net人员：信息科学与工程学院（人工智能学院）科研团队教师，欢迎广大师生参加。
ku111net议地点：墨子楼中兴ku111net议室
报告1：基于sEMG的肌肉协同与图卷积网络驱动下的运动预测
报告人：李梅菊
内容简介：基于骨骼模型的运动预测符合解剖学逻辑，计算复杂度低，但对个体参数的依赖性较强，深度学习算法依据大量训练数据提取特征可以进行运动预测但存在“黑箱”问题，预测结果缺乏生物学可解释性。本报告结合运动过程肌肉的生物学特征和深度学习的优势介绍了一种肌肉协同与深度学习算法的结合方法。通过将肌肉节点映射为图卷积网络中的节点，将肌肉之间的协同强度映射为图的边，通过融合肌肉协同作用的生物学机理与图卷积网络的可扩展性，构建兼具生物可解释性与预测精度的混合模型，既克服了传统骨骼模型对个体参数敏感的问题，又通过肌肉-关节关联特征的建模缓解了深度学习"黑箱"的局限性，为智能康复、人家交互、运动辅助等领域提供了新方法。
报告2：深度学习在推荐系统的应用
报告人：赵猛
内容简介：推荐系统的发展可以追溯到20世纪90年代初，早期的推荐系统主要依赖于简单的基于规则的方法。随着互联网和大数据技术的发展，推荐系统逐渐演变为更加复杂和智能的系统，包括协同过滤、基于内容的推荐以及混合推荐方法。本报告基于WideDeep模型在推荐系统中应用，结合线性模型的记忆能力和 DNN 模型的泛化能力，在训练过程中同时优化模型的参数，从而达到整体模型的预测能力最优。
科技处
信息科学与工程学院（人工智能学院）
2025年4月21日
检索
鲁公安网备37040002002001号