第594章 学术新星 (第1/3页)
全国大学生计算机设计大赛人工智能赛道决赛，在南方一座繁华都市的国际会议中心举行。会场内外，到处是年轻的、充满朝气的面孔，空气中弥漫着无形的竞争压力和蓬勃的创造力。巨大的展板上，各参赛项目的海报争奇斗艳，从医疗诊断到自动驾驶，从艺术生成到科学发现，AI的力量以最直观、最前沿的方式在此汇聚、碰撞。
韩澈、苏晚和王睿穿着简单的正装，站在属于他们的展位前。他们的海报以深蓝色为底，简洁明了地展示了“GoalST· GN”模型（目标感知时空图网络）的框架图、核心创新点以及在篮球挡拆识别任务上的优异性能对比。旁边的小型显示屏上，循环播放着模型在真实比赛片段中的识别效果演示，动态的可视化将球员轨迹、注意力热图、以及模型判定的“战术意图置信度”实时展现出来，颇为吸睛。
答辩环节安排在下午。上午是海报展示和交流时间，各参赛队伍需要在自己的展位前，接受评委和其他参赛者的随机问询。这对团队成员的沟通能力、项目理解深度和临场应变都是极大的考验。
起初，人流大多涌向那些标题炫酷、或者与热点应用（如AIGC、大语言模型）紧密相关的项目。韩澈他们的“篮球战术识别”项目，夹杂在众多“高精尖”中，显得有些“不接地气”。偶尔有人驻足，瞥一眼海报标题，又匆匆走过。
直到一位戴着厚厚眼镜、学者模样的中年评委，背着手，在他们的展位前停下了脚步。他仔细端详着海报，目光在模型结构图和实验数据表格上停留了很久。
“目标感知的时空图网络？”评委抬起头，目光扫过三人，最后落在苏晚身上——她正站在显示屏旁，目光平静地看着演示循环。“这个概念很有意思。能具体解释一下，‘目标感知’是如何融入图神经网络的消息传递机制的？”
问题直指核心，且相当专业。王睿下意识地看向苏晚，韩澈也屏息凝神。
苏晚上前半步，声音清晰而平稳，没有多余的情绪渲染：“谢谢老师提问。传统的方法通常将战术识别视为对固定模式的匹配，但篮球是动态的、目标导向的活动。我们的核心思路是，模型不应只学习‘看起来像挡拆的动作模式’，而应尝试推断‘球员是否在协同达成某种有利的空间目标’。”
她指向海报上的模型框架图：“我们在标准时空图网络的基础上，引入了一个可学习的‘目标态势编码器’。它将当前时刻球员的空间分布、运动状态，映射到一个潜在的目标态势空间。这个态势空间隐含了诸如‘形成错位’、‘创造突破通道’等战术目标的可能性分布。然后，在消息传递阶段，节点（球员）之间交互的信息，不仅包含其自身的状态，还包含了基于当前态势编码的‘目标相关性权重’。换句话说，球员之间传递的消息，会根据当前局面距离达成某个战术目标的远近，进行调制和加强。这使得模型能够关注那些对达成战术目标更关键的交互关系，而不仅仅是空间或运动学上的邻近性。”
评委一边听，一边微微点头，手指无意识地在下巴上摩挲。“很新颖的角度。那这个‘目标态势编码器’是如何训练的？它的监督信号从哪里来？你们似乎没有直接标注‘目标’的数据。”
“是的，这是一个弱监督/自监督的设置。”苏晚从容应答，“我们并未直接标注‘目标’。我们假设，在大量成功的战术执行片段中，球员的移动模式隐式地指向了那些有利的目标态势。因此，我们设计了一个辅助的预训练任务，让模型从成功的战术片段中，学习重构一个理想的、目标达成时的‘态势表示’。然后在主任务中，这个预训练好的态势编码器，为图网络提供目标相关的归纳偏置。同时，我们在损失函数中，加入了基于最终识别准确性的态势表示一致性约束，迫使学习到的态势表示与战术成功性相关。”
韩澈在一旁听着，心中暗自佩服。苏晚的解释，将他们在无数个深夜争论、摸索出的核心思想，用极其精炼、专业的语言阐述了出来。既回答了评委的问题，又巧妙地展现了他们工作的创新性和技术深度。
评委眼中露出感兴趣的光芒：“有意思。将高层语义（目标）作为潜在变量引入，引导低层特征的聚合。这和最近一些基于因果推断或能量模型的工作有异曲同工之妙。你们的实验结果表明，这种方法在复杂场景下，比如防守方采取换防时，确实比基线模型有提升？”
“是的，”这次是王睿接过话头，他调出演示系统，快速点开几个预设的复杂案例，“在传统的基于轨迹聚类的baseline上，我们的模型在‘换防’、‘假挡拆’这类场景下的F1值提升了约15%。可
（本章未完，请点击下一页继续阅读）