Khoa Hệ thống Thông tin chúc mừng hai sinh viên lớp HTTT2022.1 đã xuất sắc có bài báo khoa học được chấp nhận đăng tại Hội nghị Khoa học Quốc tế TechDev 2025 (2025 14th International Conference on Computer Technologies and Development).
TechDev (International Conference on Computer Technologies and Development) là một trong những diễn đàn học thuật quan trọng trong lĩnh vực Công nghệ Máy tính, nơi quy tụ các nhà nghiên cứu, học giả và chuyên gia hàng đầu từ học thuật, công nghiệp và chính phủ.
Trong bối cảnh bùng nổ của máy tính lượng tử, công nghệ nano và các xu hướng công nghệ đột phá, TechDev 2025 tiếp tục là nơi thảo luận những tiến bộ mới nhất trong:
- Kiến trúc máy tính
- Hệ điều hành & hệ thống phân tán
- Trí tuệ nhân tạo
- Khoa học tính toán
- Các ứng dụng và xu hướng công nghệ mới
Thời gian: 08–10/12/2025 (Online)
Địa điểm đăng cai: Leeds, Vương quốc Anh
Website hội nghị: https://www.icctd.org/
Bài báo được chấp nhận: Comparative Study on the Effectiveness of Missing Data Imputation Models in Multidimensional Skyline Queries over Incomplete Datasets
Nhóm sinh viên thực hiện
- 22520716 – Hoàng Thế Kiệt – HTTT2022.1
- 22520604 – Nguyễn Quang Khải – HTTT2022.1
Giảng viên hướng dẫn: ThS. Nguyễn Hồ Duy Trí - ThS. Nguyễn Hồ Duy Tri
Tóm tắt nghiên cứu: In multidimensional Skyline queries, the presence of missing values can distort the Skyline boundary and reduce the accuracy of query results. This study proposes a comparative approach using three popular data imputation models—Random Forest, XGBoost, and CatBoost—to recover missing values prior to Skyline computation. The proposed method is applied to datasets of different sizes to evaluate each models scalability and stability. Experimental results show that all three machine learning models significantly improve Skyline quality compared to processing incomplete data. Among them, Random Forest demonstrates the highest consistency across dataset scales, CatBoost achieves a balanced trade-off between accuracy and stability, while XGBoost shows notable improvements in the Jaccard and F1 metrics compared to the Possible Skyline approach—atraditional method that estimates the Skyline boundary using possible value ranges of missing attributes without performing actual imputation. This research contributes to identifying the optimal imputation model for Skyline queries over incomplete datasets and provides empirical evidence to support model selection in large-scale decision-support systems.
Chúc mừng hai sinh viên Hoàng Thế Kiệt và Nguyễn Quang Khải cùng hai giảng viên hướng dẫn ThS. Nguyễn Hồ Duy Trí và ThS. Nguyễn Hồ Duy Tri với thành tích nghiên cứu tiêu biểu tại TechDev 2025!
Chúc nhóm tiếp tục phát triển nhiều công trình khoa học chất lượng, đóng góp vào sự phát triển của lĩnh vực Hệ thống Thông tin – Khoa học dữ liệu – AI trong tương lai.
Thông tin chi tiết: https://www.facebook.com/uit.khoahttt/posts/pfbid0jxKc9DbjosxtRi1hXqBAYsYfEECA6mS8hJ31DgTQ9FFfPq5j58TGW38kJT7zzNNMl
