研究方向

包括人工智能、深度学习、具身智能、人机交互、多模态学习等领域，具体研究工作涉及智能图像与视频处理、多源生理信号分析及应用、认知建模与智能导学等。

个人简介

梁堉，男，博士，讲师，硕士研究生导师。中国计算机学会、中国人工智能学会、北京交叉科学学会会员。分别于2017年和2022年在北京航空航天大学计算机学院获得工学学士和博士学位，曾赴美国亚利桑那州立大学及英国剑桥大学访学交流。已在AAAI、ICDE、IJCAI、DASFAA、DIGDATA等国际会议及IEEE TLT、JNE、Neurocomputing等权威期刊上发表20余篇高水平学术论文。授权多项发明专利及软著，参编近十项国家/团体/行业标准，合作编写教材及专著各一部。担任Applied Sciences期刊客座编辑，多次担任AAAI、IJCAI、DSAA等顶级国际会议以及IJMLC、WCMC、JIC、PLOS ONE等领域重要期刊审稿人。主持国家电网公司总部科技项目课题、北京市博士后科研项目、国家重点实验室开放课题等研究，承担多项企事业单位委托技术开发项目，作为项目骨干参与多项国家及省部级重大研究项目。

个人主页：https://yuliang-homepage.github.io

教育简历

l 2022年毕业于北京航空航天大学 计算机学院 软件工程专业，获工学博士学位

l 2017年毕业于北京航空航天大学 计算机学院 计算机科学与技术专业，获工学学士学位

工作履历

l 2022.11-至今，北京工业大学计算机学院（原信息学部）

学术兼职

l 第一届国家智慧教育平台数据创新应用活动专家委员会成员

l Applied Sciences期刊客座编辑（Guest Editor）

l AAAI、IJCAI、DSAA等国际会议审稿人及程序委员会成员（PC Member）

l IJMLC、WCMC、JIC、IEEE Access、PLOS ONE等期刊审稿人

课程教学

l 本科生教学：《算法设计与分析》（春季）、《软件需求分析与建模》（秋季）、《新生研讨课》（秋季）

主要科研项目

[1] 国家电网公司总部科技项目课题，基于双飞翼垂直起降无人机的高速巡航下光电成像与图像处理技术研究（5500-202322539A-3-2-ZN），

2023.10-2025.12，190万，在研，主持

[2] 北京市博士后科研项目，多模态融合的学习者认知过程建模研究（2023-zz-97），2023.05-2024.11，4万，在研，主持

[3] 软件开发环境国家重点实验室开放课题，面向学生的代码智能修复与编程能力评估方法研究（SKLSDE-2022KF-10），2022.11-2023.10，5万,结题，主持

[4] 国家重点研发计划项目，智能服务适配理论与关键技术（2018YFB1402800），2019.01-2022.12，2191万，结题，参与

[5] 国家重点研发计划项目课题，个性化教育资源融合与推荐关键技术（2018YFB1004502），2018.05-2021.04，356万，结题，参与

[6] 国家自然科学基金重点项目，大规模在线协同学习的机理与方法研究（61532004），2017.09-2020.12，334万，结题，参与

荣誉和获奖

l 北京工业大学2023年度考核优秀（嘉奖）教职工

l 北京工业大学第十七期青年教师教学能力培训优秀学员

主要论文论著

[1] Liang Y, Zhang C, An S, et al. FetchEEG: a hybrid approach combining feature extraction and temporal-channel joint attention for EEG-based emotion classification[J]. Journal of Neural Engineering, 2024, 21(3): 036011.

[2] Peng T; Liang Y^*; Wu W, et al. CLGT: A graph transformer for student performance prediction in collaborative learning[C]//The 37th AAAI Conference on Artificial Intelligence. AAAI Press, 2023, 37(13): 15947-15954.

[3] Li Y; Qiu J; Yang R; Zhu T; Sheng H; Gui S; Liang Y^*. Intelligent tutoring for large-scale personalized programming learning based on knowledge graph [C]//2023 IEEE Frontiers in Education Conference. IEEE, 2023: 1-5.

[4] Liang Y, Peng T, Pu Y, Wu W. HELP-DKT: An interpretable cognitive model of how students learn programming based on deep knowledge tracing[J]. Scientific Reports, 2022,12(1): 1-11.

[5] Liang Y, Wu W, Wu L, et al. Inferring how novice students learn to code: Integrating automated program repair with cognitive model [C]//Conference on Big Data. Springer, Singapore, 2019: 46-56.

全部论文详见：https://scholar.google.com/citations?user=Ky7Ekn0AAAAJ