دانشجویان ریاضی دانشگاه تهران برای دومین سال پیاپی قهرمان مسابقات جهانی SHL 2026 شدند

به گزارش خبرگزاری آنا، تیم دانشکده ریاضی، آمار و علوم کامپیوتر دانشگاه تهران، به سرپرستی باقر باباعلی، دانشیار این دانشکده، در مسابقه بین‌المللی Sussex-Huawei Locomotion Challenge ۲۰۲۶ (SHL) مقام نخست را کسب کرد و برای دومین سال متوالی قهرمان این چالش علمی شد.

اعضای این تیم را محمدمهدی محبی‌زاده، علی مجلسی، امیرمحمد باسوتی، ایرج قرائی و محمدمهدی عزیزی، از دانشجویان تحصیلات تکمیلی حوزه هوش مصنوعی دانشگاه تهران، تشکیل می‌دهند.

مسابقه Sussex-Huawei Locomotion Challenge یکی از رقابت‌های شناخته‌شده بین‌المللی در حوزه تشخیص فعالیت و حرکت انسان (Human Activity Recognition) است که با مشارکت دانشگاه ساسکس انگلستان و حمایت شرکت هواوی برگزار می‌شود. این رقابت سالانه در قالب یک کارگاه تخصصی و هم‌زمان با کنفرانس بین‌المللی UbiComp/ISWC برگزار می‌شود. دوره ۲۰۲۶ این رویداد از ۱۹ تا ۲۳ مهرماه در شهر شانگهای چین در حال برگزاری است.

تشخیص دقیق فعالیت‌های انسانی با استفاده از داده‌های حسگر‌های پوشیدنی و تلفن‌های هوشمند، یکی از زمینه‌های مهم پژوهش در هوش مصنوعی است که کاربرد‌های گسترده‌ای در پایش سلامت، تحلیل الگو‌های حرکتی، خدمات هوشمند مبتنی بر موقعیت و زمینه، و سامانه‌های حمل‌ونقل و تحرک شخصی دارد. این مسابقات با تکیه بر مجموعه‌داده‌ای گسترده از اطلاعات حسگر‌های تلفن‌های هوشمند در شرایط واقعی زندگی، بستری برای ارزیابی و مقایسه روش‌های نوین هوش مصنوعی در این حوزه فراهم می‌کند. اطلاعات بیشتر درباره این رقابت‌ها در وب‌سایت رسمی آن به نشانی http://www.shl-dataset.org/challenge-۲۰۲۶ در دسترس است.

چالش پژوهشی سال ۲۰۲۶ بر توسعه روش‌های تشخیص فعالیت مبتنی بر مدل‌های پایه سری‌های زمانی (Time-Series Foundation Models) متمرکز بود. یکی از محدودیت‌های اصلی این رقابت، ثابت نگه‌داشتن مدل‌های پایه در تمام مراحل توسعه سامانه بود؛ به این معنا که شرکت‌کنندگان اجازه آموزش مجدد یا تغییر پارامتر‌های اصلی این مدل‌ها را نداشتند.

تیم دانشگاه تهران برای مواجهه با این محدودیت، رویکردی مبتنی بر ترکیب چند مدل پایه و ادغام هوشمندانه اطلاعات آنها طراحی و پیاده‌سازی کرد. در این روش، از پنج مدل پایه سری‌های زمانی شامل Mantis، NuTime، TiRex، TSPulse و UniShape استفاده شد. اعضای تیم با طراحی لایه‌های طبقه‌بندی سبک و اختصاصی، امکان بهره‌برداری مؤثر از بازنمایی‌های استخراج‌شده توسط این مدل‌های تثبیت‌شده را فراهم کردند.

سامانه طراحی‌شده شامل مراحل پیش‌پردازش داده‌های خام IMU، پنجره‌بندی ۵ ثانیه‌ای غیرهم‌پوشان، فیلتر باندگذر ۰.۳ تا ۲۰ هرتز و نرمال‌سازی، سپس استخراج بازنمایی از پنج مدل پایه منجمد و در نهایت طبقه‌بندی و ارزیابی با سر‌های اختصاصی و راهبرد‌های ادغام بود. در ادامه، دو راهبرد اصلی ادغام اطلاعات، شامل ادغام اولیه (Early Fusion) و ادغام نهایی (Late Fusion)، به‌صورت گسترده ارزیابی شدند.

نتایج این بررسی‌ها به انتخاب راهبرد ادغام خطی سراسری (Global Linear Fusion) انجامید؛ رویکردی که با ترکیب خروجی مدل‌های مختلف، امکان بهره‌گیری از قابلیت‌های مکمل آنها را فراهم می‌کند و به دستیابی به عملکرد رقابتی در شرایط متنوع داده‌های حسگری کمک می‌کند. جزئیات فنی این روش و یافته‌های پژوهشی تیم در مقاله علمی مرتبط با این رقابت ارائه شده است.