作为数据库系统与先进应用领域历史最悠久的国际学术盛会之一，2025年5月26日至5月29日，第30届高级应用数据库系统国际会议DASFAA（30th International Conference on Database Systems for Advanced Applications，DASFAA 2025）在新加坡召开。王选所深度视频研究室的博士研究生赵辉参加了本次会议。

DASFAA是数据库系统、网络信息系统、数据挖掘、内容检索领域内的顶级国际会议，并被中国计算机学会（CCF）推荐为B类国际会议。会议包括受邀学者主题演讲、口头报告、poster展示、workshop等环节。本次大会共提交了约731篇有效论文，oral录取率为18.5%，poster录取率为12.3%。王选所深度视频研究室师生在本次DASFAA会议中总共发表两篇论文。接收的论文信息如下：

（一）Hui Zhao, Yanze Wang, Jun Sun. Transcending Conventional Binary Labels: Revamping Knowledge Tracing with VAE-Generated Image Representation. (poster)

知识追踪是一项旨在预测学生学习表现的数据挖掘任务。然而，在知识追踪任务中，若不分析学生的答题内容，仅用正确和错误两种状态来表示学生答题记录是不合理的。本论文核心思想是针对朴素知识追踪任务中仅用“正确/错误”二元标签表示学习记录的不足，提出引入差异化图像数据优化表示的方法。通过将手写数字识别作为辅助任务，利用变分自编码器（VAE）生成手写数字图像来表征答题结果，再与知识追踪任务联合训练，优化表示的向量，即便相同标签也用不同向量表示。实验表明，该方法通过图像对学习结果复杂状态的更好表征，提升了知识追踪模型的性能。

（二）Hui Zhao, Yanze Wang, Jun Sun. Crafting Global Information in Mini-batches for Knowledge Tracing. (oral)

知识追踪通过利用学生过去的答题记录来预测他们未来的学习表现。这些预测既依赖于历史答题数据，也依赖于知识概念之间的联系。在深度学习中，其小批次输入和端到端学习方法可能会忽略习题难度、学生状态和习题相关性等全局信息，而且输入数据的形式也会使预测结果难以解释。为解决这些问题，我们开发了一个框架，在小批次中添加精心设计的全局信息，以便网络学习设计好的模式。我们将习题难度指数、学生信心指数和习题关系设计为全局信息。实验结果表明，在知识追踪数据集上，仅通过在每个批次中融入全局信息，就可提升模型性能。同时，该全局信息增强了模型可解释性，有助于教学者分析教育要素对学生答题结果的影响。