華為杯第五屆中國(guó)研究生人工智能創(chuàng)新大賽賽題

“華為杯”第五屆中國(guó)研究生人工智能創(chuàng)新大賽賽題一、報(bào)名及提交作品要求

參賽隊(duì)伍在以下賽題中任選其一進(jìn)行作品創(chuàng)作參賽。7月23日前，在大賽官網(wǎng)報(bào)名，通過(guò)培養(yǎng)單位資格審查后，7月27日前，在官網(wǎng)提交參賽作品。（作品提交規(guī)范及模板見附件）大賽官網(wǎng)

/

二、大賽賽題

（一）技術(shù)創(chuàng)新：開放題

（二）應(yīng)用創(chuàng)意：開放題

（三）企業(yè)賽題：華為賽題共3個(gè)，均為華為技術(shù)有限公司從實(shí)際需求出發(fā)擬定的與智能技術(shù)密切相關(guān)的題目。屬于此種選題方式的作品還可以參與華為專項(xiàng)獎(jiǎng)的評(píng)獎(jiǎng)。1.

華為賽題一1.1題目名稱

AI交互預(yù)測(cè)決策規(guī)劃1.2題目描述

城區(qū)場(chǎng)景，拓?fù)鋸?fù)雜且存在車輛、非機(jī)動(dòng)車、行人等復(fù)雜交互目標(biāo)，期望通過(guò)AI和大數(shù)據(jù)學(xué)習(xí)的方法預(yù)測(cè)環(huán)境并給出類人安全的決策規(guī)劃解，算法層面滿足環(huán)境預(yù)測(cè)和決策規(guī)劃的自洽性和時(shí)序穩(wěn)定性?；诎缀兴惴ǖ臎Q策規(guī)劃方法，存在價(jià)值函數(shù)定義困難、調(diào)參難度大、類人性差的問(wèn)題；基于AI的預(yù)測(cè)決策規(guī)劃方法存在模型黑盒可解釋性差、結(jié)果可靠性無(wú)法保障的問(wèn)題。如何基于數(shù)據(jù)驅(qū)動(dòng)的方法實(shí)現(xiàn)安全可靠的預(yù)測(cè)決策規(guī)劃算法存在以下挑戰(zhàn)：AI模型建模拓?fù)浜徒煌▍⑴c者，需要實(shí)現(xiàn)對(duì)worldmodel的有效建模；AI模型設(shè)計(jì)需要充分考慮自車和社會(huì)交通參與者的交互和自車類人安全性，模型輸出需要滿足預(yù)測(cè)決策規(guī)劃自洽性和時(shí)序穩(wěn)定性，而非僅僅是無(wú)交互的開環(huán)預(yù)測(cè)；AI模型的有效性難以從開環(huán)的平均指標(biāo)得到證明，而閉環(huán)仿真器車輛存在與真實(shí)環(huán)境行為不同的問(wèn)題，模型的有效安全性需要探索高效的證明方式；經(jīng)過(guò)數(shù)據(jù)驅(qū)動(dòng)后，需要AI模型能捕捉場(chǎng)景的差異特征，學(xué)習(xí)到場(chǎng)景異性的具體表現(xiàn)而非平均表現(xiàn)；需要對(duì)AI模型的輸出設(shè)計(jì)有效應(yīng)用和看護(hù)算法，使得自動(dòng)駕駛更為安全智能。1.3具體要求根據(jù)可參考的開源數(shù)據(jù)集，設(shè)計(jì)和實(shí)現(xiàn)交互預(yù)測(cè)決策規(guī)劃模型，除了開環(huán)的平均指標(biāo)外需要設(shè)計(jì)和給出自洽指標(biāo)和時(shí)序穩(wěn)定指標(biāo)或相關(guān)證明，需要實(shí)現(xiàn)閉環(huán)的評(píng)測(cè)或閉環(huán)有效性的證明，允許設(shè)計(jì)白盒算法提升AI模型輸出的有效性和安全性?？稍诼房诨蛉塑嚮煨械葟?fù)雜場(chǎng)景進(jìn)行通過(guò)率驗(yàn)證。指標(biāo)參考：MinADE_5、MinADE_10

、MissRateTopK_2_5、MissRateTopK_2_10、MinFDE_1、OfRoadRate（/sota/trajectory-prediction-on-nuscenes）MinJointADE、MinJointFDE、MinJointMR、CrossCollisionRate、EgoCollisionRate、ConsistentMinJointMR（/leader-board）可利用外部數(shù)據(jù)進(jìn)行增強(qiáng)算法或仿真數(shù)據(jù)進(jìn)行大模型預(yù)訓(xùn)練等（需給出所使用數(shù)據(jù)集的說(shuō)明文檔），并最終在測(cè)試集上進(jìn)行測(cè)試，證明方法的有效性。賽題總分由競(jìng)賽得分（60%）和專家評(píng)分（40%）兩部分組成。專家評(píng)分使用華為內(nèi)部的中國(guó)道路的復(fù)雜場(chǎng)景測(cè)試數(shù)據(jù)進(jìn)行指標(biāo)評(píng)價(jià)和驗(yàn)收，考察算法的泛化性。競(jìng)賽得分部分根據(jù)選手提交的方案在測(cè)試集（包括公開測(cè)試集和非公開測(cè)試集）上的運(yùn)行結(jié)果給出。專家評(píng)分由評(píng)委組對(duì)選手所提交的方案的新穎性、合理性等進(jìn)行打分。因此，參賽選手還需要提交模型代碼（用于非公開測(cè)試集評(píng)估）、模型說(shuō)明文件（用于報(bào)告模型方案以及模型在公開測(cè)試集上的結(jié)果）。1.4咨詢專家及聯(lián)系郵箱

李洪業(yè)

-

lihongye5@

柳肖雪

-

liuxiaoxue2@1.5參考數(shù)據(jù)集/nuplan#download

/sota/trajectory-prediction-on-nuscenes

1.6參考文獻(xiàn)[1]Interaction-BasedTrajectoryPredictionOveraHybridTraffic

Graph(IROS2020)[2]ImplicitLatentVariableModelforScene-ConsistentMotion

Forecasting(ECCV2020)[3]SceneTransformer:Aunifiedarchitectureforpredictingmultipleagenttrajectories(ICLR2022)[4]OccupancyFlowFieldsforMotionForecastinginAutonomousDriving(RAL2022)[5]“THOMAS:TrajectoryHeatmapOutputWithLearnedMulti-AgentSampling“，（ICLR2022）華為賽題二2.1題目名稱

適用多場(chǎng)景的通用化時(shí)序預(yù)測(cè)算法2.2題目描述

隨著云計(jì)算的規(guī)模增大、數(shù)字化程度提高，涌現(xiàn)出大量時(shí)間序列場(chǎng)景和數(shù)據(jù)，如資源的消耗序列、用戶的行為序列、機(jī)房傳感器的讀數(shù)序列等。在針對(duì)這些數(shù)據(jù)的分析和利用中，預(yù)測(cè)問(wèn)題是用戶和企業(yè)最關(guān)心的任務(wù)之一，因?yàn)榫珳?zhǔn)的時(shí)序預(yù)測(cè)往往是資源規(guī)劃、商業(yè)運(yùn)營(yíng)、硬件運(yùn)維等領(lǐng)域決策的先決條件，而這些領(lǐng)域的決策質(zhì)量又影響了云廠商的運(yùn)營(yíng)效率和用戶體驗(yàn)，定義了云廠商的核心競(jìng)爭(zhēng)力。

云計(jì)算中的數(shù)據(jù)有著來(lái)源豐富、規(guī)模龐大、特性迥異等特點(diǎn)，因此傳統(tǒng)的時(shí)序預(yù)測(cè)算法往往難以適應(yīng)多種不同業(yè)務(wù)場(chǎng)景的需求，需要投入大量人力物力面向不同業(yè)務(wù)場(chǎng)景設(shè)計(jì)針對(duì)性的算法，成為了競(jìng)爭(zhēng)力提升的一個(gè)瓶頸。將人工智能技術(shù)應(yīng)用于時(shí)序預(yù)測(cè)任務(wù)是一條可行的出路，或可基于對(duì)數(shù)據(jù)特征的分析，選擇合適的算法類型；或可基于神經(jīng)網(wǎng)絡(luò)等機(jī)器學(xué)習(xí)模型強(qiáng)大的表達(dá)能力，以單個(gè)模型實(shí)現(xiàn)通用化預(yù)測(cè)的目的。主要挑戰(zhàn)：

1）“通用性”并沒有一個(gè)被廣泛接受的明確定義，如果依賴具體的數(shù)據(jù)集，則一方面該數(shù)據(jù)集可能對(duì)特定類型的數(shù)據(jù)有所偏向，另一方面也會(huì)導(dǎo)致算法的研發(fā)傾向于過(guò)擬合該數(shù)據(jù)集。因此首要的挑戰(zhàn)是提出并論證數(shù)據(jù)多樣性和平衡性的指標(biāo)，并根據(jù)該指標(biāo)進(jìn)行數(shù)據(jù)收集。

2）面對(duì)擁有序列多樣性的數(shù)據(jù)集，設(shè)計(jì)一個(gè)通用化的時(shí)序預(yù)測(cè)算法是一個(gè)挑戰(zhàn)。算法可能需要處理不同長(zhǎng)度、趨勢(shì)性、周期性、采樣粒度的時(shí)間序列，并且在各個(gè)序列上均給出較好的結(jié)果。2.3具體要求

1）參賽者需要定義并論證一種數(shù)據(jù)多樣性和平衡性的指標(biāo)，并據(jù)此基于開源數(shù)據(jù)或生成數(shù)據(jù)構(gòu)建數(shù)據(jù)集，要求其中時(shí)間序列的數(shù)量不少于1000。可以根據(jù)數(shù)據(jù)特性設(shè)計(jì)一種合理的訓(xùn)練集和測(cè)試集的切分方式，這種切分既可以是在時(shí)間維度上的（至少保留20%作為測(cè)試集），也可以是在序列維度上的（至少保留50%作為測(cè)試集）。

2）參賽者需要設(shè)計(jì)一種時(shí)間序列預(yù)測(cè)算法，可以是單算法也可以是集成方案，在數(shù)據(jù)集上進(jìn)行訓(xùn)練和驗(yàn)證，給出算法效果和證明算法通用性的案例分析。參賽隊(duì)伍最終提交構(gòu)造數(shù)據(jù)集、模型代碼、方案文檔和演示視頻（可選），方案文檔需完整描述數(shù)據(jù)集的構(gòu)造方法和算法的設(shè)計(jì)思路。

構(gòu)造的數(shù)據(jù)集需滿足提出的數(shù)據(jù)多樣性的標(biāo)準(zhǔn)，切分訓(xùn)練集和測(cè)試集時(shí)需至少保留20%的時(shí)間長(zhǎng)度和50%的時(shí)間序列作為測(cè)試集。預(yù)測(cè)算法采用MAE（MeanAverageError）和sMAPE（SymmetricMeanAbsolutePercentageError）作為評(píng)價(jià)指標(biāo)，其中sMAPE指標(biāo)擁有更高的優(yōu)先級(jí)。在指標(biāo)相近的情況下，算法的訓(xùn)練和推理時(shí)間將作為參考評(píng)價(jià)指標(biāo)。

人工評(píng)委審核成績(jī)從4個(gè)方面考核：結(jié)果復(fù)現(xiàn)評(píng)估，方案可行性分析，方案完整性評(píng)估，方案通用性評(píng)估。2.4咨詢專家及聯(lián)系郵箱

盛鎮(zhèn)醴

-

shengzhenli@

周樂(lè)夔

-zhoulekui@2.5參考數(shù)據(jù)集通用云服務(wù)：/cn/forecast/公開時(shí)序預(yù)測(cè)數(shù)據(jù)集：/datasets/yogesh94/m4-forecasting-competition-dataset/publications/the-tourism-forecasting-competition//downloads/NN5/datasets/download.htm華為賽題三3.1題目名稱

通過(guò)穿戴設(shè)備監(jiān)測(cè)高糖發(fā)生次數(shù)3.2題目描述

按照ADA標(biāo)準(zhǔn)，我國(guó)成年人中糖尿病前期患病率超過(guò)35%，在糖尿病前期進(jìn)行控糖能夠有效降低II型糖尿病和心血管疾病的風(fēng)險(xiǎn)，具有重大意義。然而，由于成本體驗(yàn)等原因，糖尿病前期人群中通過(guò)有創(chuàng)設(shè)備監(jiān)測(cè)控糖水平的人很少，智能穿戴技術(shù)的巨大進(jìn)步為解決糖尿病前期人群的控糖水平監(jiān)測(cè)提供了前所未有的機(jī)會(huì)。

在《持續(xù)葡萄糖監(jiān)測(cè)臨床應(yīng)用國(guó)際專家共識(shí)

(2017)》中，TIR、TAR、TBR被推薦作為CGM的關(guān)鍵報(bào)告參數(shù)，分別反映血糖良好控制情況、高血糖和低血糖情況?！禩IR國(guó)際共識(shí)》推薦大多數(shù)糖尿病患者TIR（3.9～10.0mmol/L）控制目標(biāo)為＞70%、TBR（＜3.9mmol/L）<4%；TIR每增加5%，1型糖尿?。═1DM）和2型糖尿?。═2DM）患者顯著臨床獲益；對(duì)于老年或高風(fēng)險(xiǎn)T1DM/T2DM患者，TIR控制目標(biāo)降至>50%，TBR降至<1%，旨在進(jìn)一步減少低血糖、同時(shí)預(yù)防嚴(yán)重高血糖；T1DM合并妊娠患者TIR（3.5~7.8mmol/L）目標(biāo)為＞70%。對(duì)于伴有合并癥及并發(fā)癥的糖尿病患者，《糖尿病管理中TIR個(gè)體化控制目標(biāo)：多國(guó)專家建議(2020)》強(qiáng)調(diào)應(yīng)根據(jù)具體情況，個(gè)體化設(shè)定TIR、TAR與TBR控制目標(biāo)。

數(shù)據(jù)集由16個(gè)糖前（或者接近糖前）用戶組成，血糖監(jiān)測(cè)設(shè)備記錄用戶的葡萄糖濃度（mg/dl）,穿戴記錄了血容量脈沖（BVP）信號(hào)、皮膚電活動(dòng)（EDA）、皮膚溫度和三軸加速度計(jì)。以血糖監(jiān)測(cè)設(shè)備得到的血糖值是否處于正常范圍（小于7.8mmol/L）,把血糖值分類為正常值和異常高值（高糖）共兩類。以兩分類作為金標(biāo)，從穿戴設(shè)備記錄的數(shù)據(jù)種提取特征，訓(xùn)練機(jī)器學(xué)習(xí)模型，測(cè)試人群每天的高糖發(fā)生次數(shù)。3.3具體要求

1）建議使用7.8mmol/L作為糖尿病前期人群高糖的邊界，允許在此基礎(chǔ)上有微調(diào)，例如根據(jù)數(shù)據(jù)情況可選擇7.5mmol/L等。注：參數(shù)設(shè)置不合理將導(dǎo)致訓(xùn)練和測(cè)試正負(fù)樣本失衡，影響最終評(píng)分。

2）輸入:某用戶一天內(nèi)從無(wú)創(chuàng)設(shè)備提供的心率（HR）、血容量脈沖（BVP）信號(hào)等數(shù)據(jù)

3）輸出:該用戶當(dāng)天血糖值超過(guò)7.8mmol/L的次數(shù)。對(duì)比的金標(biāo)是根據(jù)Dexcom.csv每五分鐘記錄的值統(tǒng)計(jì)此人當(dāng)天實(shí)際超過(guò)7.8mmol/L的次數(shù)。

4）打分:提供多天的測(cè)試數(shù)據(jù)，累計(jì)算法輸出的次數(shù)與金標(biāo)差異，差異越小得分越高。

5）自由選擇機(jī)器學(xué)習(xí)方法訓(xùn)練模型（總共有16人的數(shù)據(jù)，建議在區(qū)分訓(xùn)練集和測(cè)試集時(shí)按照訓(xùn)練8人，測(cè)試8人的比例劃分，可隨機(jī)選8人，最終準(zhǔn)確度需隨機(jī)多次取平均，評(píng)審時(shí)需考慮模型的過(guò)擬合等問(wèn)題）

6）參賽團(tuán)隊(duì)可以自行選擇訓(xùn)練樣本的粒度，自由設(shè)置模型的分類能力（例如可選五分鐘粒度的樣本訓(xùn)練二分類），最終只要給出一天血糖值超過(guò)所選閾值的次數(shù)即可。

7）最終打榜成績(jī)（計(jì)50%分?jǐn)?shù)）。線下提供測(cè)試集，測(cè)試參數(shù)團(tuán)隊(duì)模型的準(zhǔn)確性。通過(guò)線下腳本計(jì)算判分取Top10進(jìn)行人工評(píng)委審核，若存在并列成績(jī)情況，可多取候選者。

8）最終評(píng)委組通過(guò)線下自動(dòng)化腳本判分，以郵件或官網(wǎng)形式公布最后的打榜成績(jī)。