Chúc mừng Sinh viên nhóm nghiên cứu UiTiOt đã có 07 bài báo được chấp nhận trình bày tại Hội nghị quốc tế International Conference on Green Technology and Sustainable Development (GTSD 2026) được tổ chức vào 30-31/7/2026 tại Thành phố Hồ Chí Minh, Việt Nam.Bài báo 1: A Digital Twin Framework for Real-Time Monitoring and Predictive Energy Management in Smart HomesBài báo 2: MLOps-Driven Real-Time DDoS Detection With Incremental Learning in Cloud EnvironmentsBài báo 3: Development of Video-on-Demand Distribution System Based On Peer-to-Peer Network And WebRTCBài báo 4: An Incremental Learning-Based Intrusion Detection System With Hybrid Supervised and Unsupervised LearningBài báo 5: Applying MLSecOps to Machine Learning Systems: A Case Study on Bank Account Fraud DetectionBài báo 6: Adaptive Microservices on Kubernetes: Reinforcement Learning-Based Scheduling and LLM-Driven Workflow OrchestrationBài báo 7: An Adaptive Air Quality Forecasting System Using Internet of Things and Continual Deep LearningThông tin Hội nghị: GTSD 2026, the 8th event in the successful series of Green Technology and Sustainable Development (GTSD), is co-organized by HCMC University of Technology and Engineering (formerly known as HCMC University of Technology and Education), Vietnam, Ton Duc Thang University, Vietnam, National Taipei University of Technology, Taiwan, Adelaide University, Australia, and Quezon City University (QCU), Philippines. The GTSD 2026 will be held in HYBRID format on 30 and 31 July, 2026 in Ho Chi Minh City, Vietnam. The aim of the conference is to provide an international scientific research forum in theories and applications of green technology and sustainable development in industrial revolution 4.0.All the researchers, academicians, scientists, scholars and activists who are working on the fields related to green technology and sustainable are invited to submit their original research papers to GTSD 2026.Homepage Hội nghị: https://gtsd2026.hcmute.edu.vn/Thông tin chi tiết tại: https://www.facebook.com/share/p/1Efx7cs226/ Đông Xanh - Cộng tác viên truyền thông Trường Đại học Công nghệ Thông tin 

Chúc mừng Phan Quốc Đạt và Tiền Đức Anh Hào đã có bài báo khoa học được chấp nhận trình bày và xuất bản tại The 9th International Conference on Multimedia Analysis and Pattern Recognition (MAPR 2026), diễn ra tại Huế, Việt Nam.Bài báo: Explainable Malware Detection from Noisy API Sequences with RAG-Based MITRE ATT&CK MappingSinh viên thực hiện:- Phan Quốc Đạt – ATTT2022.1, Khoa MMT&TT, Trường Đại học Công nghệ Thông tin - ĐHQG-HCM- Tiền Đức Anh Hào - ATTT2022.1, Khoa MMT&TT, Trường Đại học Công nghệ Thông tin - ĐHQG-HCMGiảng viên hướng dẫn:- ThS. Nghi Hoàng Khoa- PGS.TS. Phạm Văn HậuTóm tắt bài báo:Trước sự phát triển ngày càng tinh vi của các kỹ thuật né tránh như polymorphism và staged execution, vốn làm suy giảm hiệu quả của các cơ chế phát hiện mã độc dựa trên chữ ký truyền thống, phân tích chuỗi API động đang nổi lên như một hướng tiếp cận hiệu quả. Tuy nhiên, việc trích xuất thông tin hữu ích từ các execution log nhiều nhiễu mà vẫn duy trì khả năng giải thích của mô hình vẫn là một thách thức lớn. Để giải quyết vấn đề này, chúng tôi đề xuất một framework đa tầng nhằm kết nối các tín hiệu hành vi thô với thông tin tình báo mối đe dọa được chuẩn hóa. Kiến trúc sử dụng cơ chế lọc nhiễu Log2 để tinh lọc execution trace thành các phân đoạn API, sau đó ánh xạ chúng vào không gian biểu diễn ngữ nghĩa bằng CodeBERT. Kết hợp HDBSCAN cho phân cụm dựa trên mật độ và PrefixSpan, hệ thống có thể trích xuất các mẫu tuần tự đại diện cho những hành vi độc hại cốt lõi. Ở giai đoạn phân loại, mô hình Soft-Voting Ensemble kết hợp Random Forest và XGBoost đạt độ chính xác 99,40%, đồng thời sử dụng SHAP để cung cấp khả năng giải thích ở cấp độ đặc trưng. Bên cạnh đó, chúng tôi tích hợp một LLM Agent dựa trên Retrieval-Augmented Generation (RAG) để diễn giải các tín hiệu kỹ thuật và hỗ trợ ánh xạ hành vi mã độc vào MITRE ATT&CK. Kết quả thực nghiệm trên các bộ dữ liệu mã độc Windows cho thấy framework đề xuất có khả năng phát hiện hiệu quả các mối đe dọa đã được làm rối, đồng thời tự động tạo các báo cáo điều tra số có cấu trúc nhằm hỗ trợ quy trình Incident Response và Digital Forensics & Incident Response (DFIR).Thông tin về hội nghị:MAPR 2026 (International Conference on Multimedia Analysis and Pattern Recognition) là hội nghị khoa học quốc tế uy tín về Phân tích đa phương tiện và Nhận dạng mẫu do Trường Đại học Công nghệ Thông tin (UIT) – ĐHQG-HCM tổ chức. Hội nghị là diễn đàn trao đổi học thuật chất lượng cao, kết nối các nhà nghiên cứu, chuyên gia và học giả trong và ngoài nước thuộc lĩnh vực trí tuệ nhân tạo, nhận dạng mẫu và xử lý đa phương tiện. MAPR 2026 sẽ được diễn ra tại thành phố Huế, với sự tham gia của diễn giả chính (Keynote Speaker) là Giáo sư NGO Chong Wah đến từ Trường Máy tính và Hệ thống Thông tin thuộc Đại học Quản lý Singapore (SMU). Tất cả các bài báo được chấp nhận tại hội nghị sẽ được xuất bản trong kỷ yếu hội nghị và lập chỉ mục trong cơ sở dữ liệu uy tín IEEE Xplore.Xin chúc mừng nhóm nghiên cứu và quý thầy hướng dẫn. Thành quả này là minh chứng cho tinh thần nghiên cứu nghiêm túc, sự hợp tác hiệu quả giữa các thành viên, đồng thời góp phần lan tỏa niềm đam mê nghiên cứu khoa học và đổi mới sáng tạo trong cộng đồng sinh viên.Thông tin chi tiết tại: https://www.facebook.com/share/p/1BeqpHbmZh/ Đông Xanh - Cộng tác viên truyền thông Trường Đại học Công nghệ Thông tin  

Bài báo: SoulMate: Mitigating Context Overload in Agentic AI for Digital Mental Health Support via Dynamic Multi-Agent RoutingTác giả:- Lê Quốc Bảo – Chương trình liên kết quốc tế BCU2023 – Tác giả chínhGiảng viên hướng dẫn:- TS. Vi Chí ThànhTóm tắt:"SoulMate: Mitigating Context Overload in Agentic AI for Digital Mental Health Support via Dynamic Multi-Agent Routing" presents SoulMate, a non-clinical multi-agent AI system for empathetic and personalized dialogue in mental health support. It addresses the context overload problem, where naively combining retrieval-augmented generation (RAG), conversational memory, and personality modeling does not always improve response quality.SoulMate applies dynamic context routing to decide, for each turn, whether to rely on RAG alone or add a secondary source (memory or OCEAN personality adaptation), integrating emotion perception, safety guardrails, graph-based memory, and dialogue generation in a modular architecture.Across three benchmarks, retrieval grounding scored highest on self-contained empathy posts (EPITOME total 2.258), slightly above the Full pipeline that combines all sources (2.246); memory proved valuable when prior context was genuinely required, with RAG+Memory reaching 0.210 accuracy versus 0.085 for RAG alone on 200 LongMemEval cases; and the router achieved 1.000 accuracy and macro-F1 on a controlled three-way routing benchmark.These results indicate that the key challenge is not adding more context, but selectively activating the right contextual resource for the current need.Bài báo được công bố tại hội nghị quốc tế:The 11th International Conference on the Development of Biomedical Engineering in Vietnam (BME11) là hội nghị khoa học quốc tế được tổ chức hai năm một lần trong lĩnh vực kỹ thuật y sinh, do Trường Đại học Quốc tế – ĐHQG-HCM phối hợp cùng Trường Đại học Nha Trang và International Federation for Medical and Biological Engineering (IFMBE) tổ chức.BME11 được tổ chức với chủ đề "Healthcare 4.0: Smart Health, Personalized Medicine, and Artificial Intelligence for Low- and Middle-Income Countries", tập trung vào nhiều hướng nghiên cứu như AI và khoa học dữ liệu trong y tế, thiết bị y tế, cơ sinh học, quang sinh học, kỹ thuật mô và y học tái tạo, neuroengineering và biosensors.Các bài báo được chấp nhận tại hội nghị được xuất bản trong bộ IFMBE Proceedings của Springer và được lập chỉ mục trong Scopus và EI Compendex.Thông tin chi tiết tại: https://www.facebook.com/share/p/1K4JNieN43/ Đông Xanh - Cộng tác viên truyền thông Trường Đại học Công nghệ Thông tin  

Bài báo: Toward Adaptive Web Application Honeypots: Fine-Tuned Large Language Models for Realistic Response EmulationNhóm tác giả:- Phan Bá Cường – ATCL2021- Phạm Đô Thành – ATCL2021Giảng viên hướng dẫn:- ThS. Đỗ Hoàng HiểnTóm tắt:Trước sự gia tăng của các cuộc tấn công ngày càng phức tạp, các honeypot web truyền thống gặp nhiều hạn chế trong việc duy trì tính chân thực do sử dụng các phản hồi tĩnh và dễ bị nhận diện. Bài báo này đề xuất một khung honeypot dựa trên Mô hình Ngôn ngữ Lớn (LLM) đã được tinh chỉnh (fine-tuned), có khả năng tạo ra các phản hồi động, nhận biết ngữ cảnh và mô phỏng sát hành vi của các ứng dụng web thực tế.Để thực hiện điều này, chúng tôi thu thập các cặp yêu cầu (request) và phản hồi (response) thực tế từ các ứng dụng mục tiêu, sau đó tiến hành tiền xử lý bằng cách trích xuất các thông tin quan trọng từ yêu cầu và chuẩn hóa dữ liệu phản hồi. Các cặp dữ liệu yêu cầu–phản hồi này được sử dụng để tinh chỉnh mô hình LLM.Kết quả thực nghiệm cho thấy phương pháp đề xuất vượt trội hơn một cách nhất quán so với cả mô hình huấn luyện trực tiếp trên dữ liệu thô và các honeypot dựa trên LLM hiện có, bao gồm Galah và VelLMes. Cụ thể, phương pháp đạt điểm tương đồng cao hơn trên tất cả các thước đo đánh giá, với độ tương đồng Cosine đạt 0,9396 so với 0,4506 của Galah và 0,7357 của VelLMes. Đồng thời, khoảng cách Levenshtein đạt mức thấp đáng kể là 329,35, so với 564,98 của mô hình cơ sở, 2940,25 của Galah và 2340,99 của VelLMes.Những kết quả này khẳng định khả năng của mô hình trong việc tạo ra các phản hồi có tính chân thực cao, cấu trúc hợp lệ và hoạt động ổn định, từ đó nâng cao hiệu quả đánh lừa và duy trì tương tác với kẻ tấn công.Bài báo được công bố tại hội nghị quốc tế:SOICT 2025 (The 14th International Symposium on Information and Communication Technology) là hội nghị khoa học quốc tế uy tín, tập trung vào các hướng nghiên cứu quan trọng và đang phát triển mạnh mẽ trong lĩnh vực Công nghệ Thông tin và Truyền thông như: Nền tảng Trí tuệ nhân tạo và Dữ liệu lớn, Mạng và Công nghệ truyền thông, Xử lý đa phương tiện, Ứng dụng AI, Generative AI, Nghiên cứu vận hành và tối ưu hóa ứng dụng, cùng các tiến bộ mới trong An toàn – An ninh mạng.Thông tin chi tiết tại: https://www.facebook.com/share/p/1FH9B5WA2U/ Đông Xanh - Cộng tác viên truyền thông Trường Đại học Công nghệ Thông tin  

Bài báo: Mahalanobis-Gated Asynchronous EKF for Indoor Localization Using UWB Updates, Optical-Flow Velocity, Wheel Encoders, and IMU-Derived HeadingNhóm tác giả:- Huỳnh Phúc Nhân – KTMT2022 – Đồng tác giả- Phạm Quốc Tiến – KTMT2022 – Đồng tác giảGiảng viên hướng dẫn:- ThS. Phạm Minh QuânTóm tắt:This study proposes an indoor localization method based on an asynchronous Extended Kalman Filter (EKF) tailored for autonomous mobile robots (AMRs) operating in GPS-denied environments. The multi-sensor fusion system integrates an Ultra-Wideband (UWB) system to provide low-frequency absolute positioning for long-term drift mitigation, an optical flow sensor to enforce relative velocity constraints against the floor surface to reduce wheel slip errors, rotary encoders for kinematics-based short-term odometry, and IMU-derived heading for direct orientation updates.Addressing the heterogeneous noise characteristics of these sensors-particularly the susceptibility of UWB to significant deviations under Non-Line-of-Sight (NLOS) and multipath conditions-the authors incorporate a Mahalanobis distance-based outlier rejection mechanism (Mahalanobis gating). This mechanism effectively filters anomalous measurements prior to the EKF update, thereby enhancing system stability and mitigating the risk of filter divergence.The proposed approach exploits the complementarity of the measurement sources to ensure smooth short-term tracking and rapid responsiveness while maintaining global consistency and long-term accuracy. Experimental results in indoor environments demonstrate that the proposed fusion framework with Mahalanobis gating significantly improves localization accuracy and robustness compared to single-sensor configurations or fusion strategies lacking outlier validation, validating its suitability for practical deployment on indoor AMRs.Bài báo được công bố tại hội nghị quốc tế:ICIIT 2026 (The 11th International Conference on Intelligent Information Technology) là hội nghị khoa học quốc tế về Công nghệ Thông tin Thông minh, được tổ chức tại Đà Nẵng từ ngày 05–08/03/2026.Hội nghị được đồng tổ chức bởi Đại học FPT, Swinburne Việt Nam và HKCBEES, với sự hỗ trợ của các tổ chức học thuật trong và ngoài nước. Các bài báo được chấp nhận có thể được xuất bản trong kỷ yếu hội nghị của ACM hoặc tạp chí quốc tế liên quan, được lưu trữ trong ACM Digital Library và lập chỉ mục bởi Ei Compendex và Scopus.Thông tin chi tiết tại: https://www.facebook.com/share/p/1D92Lr8tm9/ Đông Xanh - Cộng tác viên truyền thông Trường Đại học Công nghệ Thông tin  

Bài báo: Physics-Informed Neural Network-Augmented Digital Twin for Wind-Aware Multi-UAV Trajectory Planning in Urban AirspaceNhóm tác giả:- Nguyễn Hữu Luân – MMTT2023.2 – Tác giả chínhGiảng viên hướng dẫn:- ThS. Đặng Lê Bảo Chương- PGS.TS. Lê Trung QuânTóm tắt:Coordinating multiple unmanned aerial vehicles (UAVs) in dense urban airspace is complicated by spatially varying wind, building-induced canyon and wake effects, and the temporally correlated nature of atmospheric disturbances. Memoryless cooperative policies cannot observe the latent wind state from a single snapshot, so unsafe commands are issued before the disturbance becomes visible.We propose a physics-informed digital twin (DT) module that provides decision-time wind-risk perception for a multi-agent proximal policy optimization (MAPPO) policy under the centralized training with decentralized execution (CTDE) paradigm: a physics-informed neural network (PINN), trained offline with a hybrid data plus Newton–Euler consistency loss, estimates per-step wind force and torque from recent UAV state, and the DT converts these estimates into wind-only Euler features that extend the agent observation from 43 to 49 dimensions before each action is selected.The mechanism is informational, not coercive: the DT does not modify or veto the action, but exposes the latent wind risk so that the policy chooses safer commands in the first place.We evaluate the framework in a procedurally generated 1000 × 1000 × 200 m urban grid with full six-degree-of-freedom (6-DOF) quadrotor dynamics and a stateful first-order autoregressive (AR(1)) wind process that makes the environment non-Markovian for memoryless policies.Across three independent seeds with 4.5M training steps and 50 evaluation episodes per seed, the DT-PINN perception module reduces average collisions per episode by 50.0%, improves mean cumulative reward by 20.9%, and lifts the mean all-agent goal-reaching rate from 2.7% to 48.0%, demonstrating that physics-informed wind perception is an effective and computationally cheap mechanism for safer decision making in cooperative UAV navigation under structured wind disturbances.Bài báo được công bố tại hội nghị quốc tế:The 2nd International Conference on Intelligent Aerial Access and Applications (IAAA 2026) được tổ chức từ ngày 27–29/07/2026 tại Thành phố Hồ Chí Minh, Việt Nam. Hội nghị là diễn đàn quốc tế dành cho các nhà nghiên cứu và chuyên gia trong lĩnh vực thiết bị bay không người lái (UAV), hệ thống thông minh, điều hướng tự động và các ứng dụng hàng không tiên tiến.IAAA 2026 được đồng tổ chức bởi Trường Đại học Bách khoa – ĐHQG-HCM (HCMUT), Học viện Nông nghiệp Việt Nam (VNUA), Trường Đại học Mỏ - Địa chất (HUMG) và Đại học FPT Đà Nẵng (FUDN). Các bài báo được chấp nhận và trình bày tại hội nghị sẽ được xuất bản trong bộ Lecture Notes in Networks and Systems (LNNS) của Springer và được lập chỉ mục trong cơ sở dữ liệu Scopus.Thông tin chi tiết tại: https://www.facebook.com/share/p/1TChJnDWVP/ Đông Xanh - Cộng tác viên truyền thông Trường Đại học Công nghệ Thông tin  

Bài báo: Evaluating Deep Learning Models for Negative Speech Emotion Recognition in Security SystemsLink bài báo: https://ieeexplore.ieee.org/document/11365144Nhóm tác giả:- Giang Mỹ Tiên – HTTT2022.2 – Đồng tác giả- Huỳnh Ngọc Trang – HTTT2022.2 – Đồng tác giảGiảng viên hướng dẫn:- ThS. Nguyễn Hồ Duy TríTóm tắt:Negative Speech Emotion Recognition (NSER) plays an important role in security applications, but building reliable systems remains challenging due to differences in datasets and model performance.This study investigates four deep learning models—DNN, Transformer, Conformer, and CNN-LSTM—across different audio features and dataset configurations. Experiments were conducted in three phases. First, model performance was evaluated on five benchmark datasets (RAVDESS, SAVEE, TESS, CREMA-D, and IEMOCAP) and their combinations using 13-dimensional MFCC features. TESS provided the best results among single datasets, while the RAVDESS+SAVEE+TESS combination was the most effective overall.Second, various audio features (MFCC, ZCR, Chroma STFT, RMS, Mel spectrogram, and combinations) were tested in this optimal dataset mix. The highest accuracy across all models was obtained using 40-dimensional MFCC features.Third, the optimal feature set was applied to the RAVDESS dataset for comparison with other studies. Results show that DNN achieved 94.44% accuracy, CNN-LSTM 91.09%, Transformer 90.51%, whereas Conformer reached only 63.77%.These findings highlight that DNN works most reliably for negative emotion detection, while Conformer performs surprisingly poorly despite being more complex. These findings help guide the development of practical NSER systems for security use.Bài báo được công bố tại hội nghị quốc tế:RIVF 2025 (RIVF International Conference on Computing and Communication Technologies) là hội nghị khoa học quốc tế về Công nghệ thông tin, Truyền thông và các công nghệ liên quan. Đây là kỳ tổ chức lần thứ 19, diễn ra từ ngày 18–20/12/2025 tại Trường Đại học Văn Lang, TP. Hồ Chí Minh.Hội nghị thuộc hệ thống IEEE, các bài báo được xuất bản trên IEEE Xplore và lập chỉ mục trong Scopus (ISSN: 2473-0130), là diễn đàn học thuật uy tín để công bố các kết quả nghiên cứu mới trong lĩnh vực công nghệ thông tin và truyền thông.Thông tin chi tiết tại: https://www.facebook.com/share/p/1D5aDq2WMa/ Đông Xanh - Cộng tác viên truyền thông Trường Đại học Công nghệ Thông tin  

Bài báo: Toward Efficient Weakly Supervised Semantic Segmentation Using Only Low-Magnification Histopathological ImagesNhóm tác giả:- Đỗ Minh Dũng – KHMT2023.1 – Tác giả chính- Huỳnh Nhật Thanh – KHMT2023.4 – Tác giả chínhGiảng viên hướng dẫn:- TS. Bùi Cao Doanh- TS. Huỳnh Minh Đức- PGS.TS. Nguyễn Tấn Trần Minh KhangTóm tắt:Whole-slide images (WSIs) provide rich tissue-level and cellular-level information, but storing and transmitting high-magnification pathology data is resource-intensive. Moreover, annotating WSIs at the pixel level is labor-intensive and time-consuming. Therefore, it is important to investigate whether low-magnification pathology images with limited annotations (i.e., image-level instead of pixel-level labels) can achieve performance comparable to high-magnification images.This paper presents a systematic benchmark study on weakly supervised histopathological image segmentation under different low-resolution storage settings. Starting from high-resolution image patches, we simulate lower-magnification inputs and reconstruct them to the original size using interpolation and deep learning-based reconstruction methods before applying the weakly supervised segmentation pipeline.This framework enables a quantitative evaluation of how weakly supervised methods respond to different levels of resolution degradation. Experimental results show that reconstruction quality metrics alone are insufficient to predict downstream segmentation performance. In particular, the study identifies a critical degradation point where the localization of small-scale structures declines significantly.These findings provide practical guidance for designing efficient digital pathology storage systems while maintaining reliable automated analysis.Bài báo được công bố tại hội nghị quốc tế:MAPR 2026 (International Conference on Multimedia Analysis and Pattern Recognition) là hội nghị khoa học quốc tế thường niên về Phân tích đa phương tiện và Nhận dạng mẫu, do Trường Đại học Công nghệ Thông tin (UIT), ĐHQG-HCM đăng cai tổ chức, phối hợp cùng Hội Nhận dạng Mẫu Việt Nam (VAPR), Trường Đại học Bách khoa Hà Nội (HUST) và Viện Công nghệ Thông tin (VAST), với sự bảo trợ kỹ thuật của IEEE.Hội nghị diễn ra trong hai ngày 13–14/08/2026 tại Thành phố Huế, quy tụ các nhà nghiên cứu và chuyên gia trong các lĩnh vực trí tuệ nhân tạo, thị giác máy tính, nhận dạng mẫu, phân tích đa phương tiện và nhiều hướng nghiên cứu ứng dụng tiên tiến.Thông tin chi tiết tại: https://www.facebook.com/share/p/1GAnRsdp7s/ Đông Xanh - Cộng tác viên truyền thông Trường Đại học Công nghệ Thông tin  

Bài báo: Continual Merging with Test-Time Adaptation for Whole-Slide Image AnalysisLink bài báo: https://arxiv.org/abs/2607.04755Nhóm tác giả:- Lê Đức Thành – KHMT2023 – Tác giả chínhGiảng viên hướng dẫn:- TS. Bùi Cao Doanh- PGS.TS. Nguyễn Tấn Trần Minh KhangTóm tắt:Model merging là một hướng tiếp cận hiệu quả cho học liên tục (continual learning), cho phép kết hợp nhiều mô hình đã được huấn luyện độc lập mà không cần lưu trữ dữ liệu của các nhiệm vụ trước. Các phương pháp model merging tiên tiến gần đây sử dụng test-time adaptation (TTA) để thích nghi với sự thay đổi phân phối dữ liệu bằng cách điều chỉnh các tham số liên quan đến quá trình gộp mô hình dựa trên dữ liệu mục tiêu không gán nhãn. Tuy nhiên, các phương pháp này chủ yếu mới được nghiên cứu trong bối cảnh đa nhiệm hoặc một miền mục tiêu duy nhất và chưa được đánh giá đầy đủ trong học liên tục theo chuỗi nhiệm vụ.Trong nghiên cứu này, chúng tôi xây dựng một bộ benchmark nhằm đánh giá các phương pháp model merging kết hợp TTA trên bài toán phân loại Whole Slide Image (WSI) theo học liên tục không sử dụng rehearsal, đồng thời so sánh với các phương pháp học liên tục truyền thống. Thực nghiệm trên sáu bộ dữ liệu phân nhóm ung thư TCGA bao gồm các kịch bản Class-Incremental Learning (CLASS-IL) và Task-Incremental Learning (TASK-IL), đánh giá trong và ngoài miền dữ liệu cũng như dưới các thứ tự học khác nhau.Kết quả cho thấy việc kết hợp model merging với TTA có thể đạt hiệu quả cao trên từng nhiệm vụ, đồng thời giúp duy trì kiến thức đã học mà không cần lưu trữ các WSI trước đó. Tuy nhiên, hiệu năng vẫn chịu ảnh hưởng đáng kể bởi thứ tự học và sự cân bằng giữa khả năng thích nghi với dữ liệu mới và việc bảo toàn kiến thức lịch sử. Nghiên cứu này chỉ ra rằng model merging kết hợp test-time adaptation là một hướng tiếp cận đầy triển vọng cho continual computational pathology, đồng thời mở ra định hướng phát triển các phương pháp có khả năng cân bằng tốt hơn giữa thích nghi với sự thay đổi phân phối dữ liệu và duy trì kiến thức đã tích lũy.Bài báo được công bố tại workshop quốc tế:CLiMeM 2026 (Continual Learning in Medical Multimodal-Vision) là workshop quốc tế chính thức được tổ chức trong khuôn khổ Hội nghị Quốc tế MICCAI 2026, tập trung vào học liên tục, học đa phương thức và khả năng thích nghi của các hệ thống trí tuệ nhân tạo trong y khoa.Các bài báo được phản biện khoa học và công bố trong bộ kỷ yếu Springer Lecture Notes in Computer Science (LNCS) thuộc MICCAI 2026 Satellite Events. CLiMeM không có xếp hạng CORE độc lập, trong khi hội nghị chủ quản MICCAI được xếp hạng CORE A, thuộc nhóm hội nghị quốc tế hàng đầu trong lĩnh vực Thị giác máy tính, Trí tuệ nhân tạo và Tin học y sinh.Thông tin chi tiết tại: https://www.facebook.com/share/p/1CFHN6SNoy/ Đông Xanh - Cộng tác viên truyền thông Trường Đại học Công nghệ Thông tin  

Bài báo: A Method for Secure Verification and Classification of Educational Credentials Based on Zero-Knowledge Range ProofNhóm tác giả:- Cao Quốc Kiệt – CNTT2022 – Tác giả chínhGiảng viên hướng dẫn:- PGS.TS. Nguyễn Hoàng Tú Anh- ThS. Võ Tấn Khoa- ThS. Nguyễn Thị Anh ThưTóm tắt:Sự phát triển nhanh chóng của giáo dục kỹ thuật số đã làm tăng nhu cầu về xác minh bằng cấp và chứng chỉ một cách an toàn và bảo mật. Các quy trình xác minh truyền thống thường yêu cầu người học tiết lộ thông tin cá nhân, điều này tạo ra nguy cơ rò rỉ dữ liệu. Các kĩ thuật Zero-Knowledge Range Proof (ZKRP) cung cấp một giải pháp an toàn bằng cách cho phép xác minh hoặc phân loại bằng cấp mà không tiết lộ các giá trị thực tế bên dưới. Tuy nhiên, các kĩ thuật ZKRP hiện có vẫn còn một số hạn chế, bao gồm các thủ tục thiết lập độ tin cậy kéo dài và thời gian tạo và xác minh bằng chứng phụ thuộc vào kích thước của phạm vi giá trị.Để giải quyết những thách thức này, chúng tôi đề xuất EduRangeProof, một phương pháp ZKRP thực tiễn được lấy cảm hứng từ thiết kế của Cuproof, giúp cải thiện quy trình thiết lập độ tin cậy bằng cách giảm đáng kể thời gian thiết lập, nâng cao hiệu suất tạo và xác minh bằng chứng, và đảm bảo kích thước bằng chứng không phụ thuộc vào phạm vi. Dựa trên ba tiêu chí đánh giá: thời gian tạo bằng chứng, thời gian xác minh và kích thước bằng chứng, EduRangeProof thể hiện hiệu suất rất ổn định khi phạm vi tăng từ 8 bit lên 1024 bit, đạt được tốc độ chứng minh nhanh (≈ 6,70 ms) và xác minh nhanh (≈ 0,86 ms), cải thiện khoảng 100 lần so với zk-SNARKs.Bài báo được công bố tại hội nghị quốc tế:The 18th International Conference on Computer Supported Education (CSEDU 2026) là hội nghị khoa học quốc tế uy tín trong lĩnh vực Công nghệ Giáo dục (Educational Technology), tập trung vào các hướng nghiên cứu như Artificial Intelligence in Education, Learning Analytics, Educational Data Mining, E-Learning Systems, Virtual and Augmented Reality for Learning, Learning Technologies và các môi trường học tập số.Theo hệ thống xếp hạng hội nghị CORE, CSEDU được xếp hạng CORE B, thuộc nhóm các hội nghị quốc tế có chất lượng tốt và được cộng đồng nghiên cứu quốc tế công nhận trong lĩnh vực Khoa học Máy tính và Công nghệ Giáo dục. CSEDU 2026 được tổ chức tại Benidorm, Tây Ban Nha từ ngày 18–20/05/2026 dưới sự bảo trợ của INSTICC.Thông tin chi tiết tại: https://www.facebook.com/share/p/17CQVuQi4j/ Đông Xanh - Cộng tác viên truyền thông Trường Đại học Công nghệ Thông tin  

Bài báo: Multimodal Fusion for Smart Contract Vulnerability Detection: An Experimental DiveNhóm tác giả:- Lê Huỳnh Giang – KHMT2022 – Tác giả chínhGiảng viên hướng dẫn:- TS. Phan Thế DuyTóm tắt:Bài báo đề xuất mô hình học đa phương thức nhằm phát hiện lỗ hổng trong smart contract bằng cách kết hợp đặc trưng ngữ nghĩa từ mã nguồn (CodeBERT kết hợp Structure-Based Traversal) và đặc trưng hành vi từ chuỗi opcode (gMLP trên TF-IDF).Nghiên cứu đánh giá nhiều chiến lược hợp nhất đặc trưng gồm Concatenation, Self-Attention, Cross-Attention và Hybrid Attention trên cùng kiến trúc và tập dữ liệu.Kết quả thực nghiệm cho thấy phương pháp Hybrid Fusion đạt hiệu quả cao nhất với F1-score 0.87, vượt trội so với các phương pháp đơn phương thức và khẳng định vai trò của thiết kế hợp nhất đa phương thức trong phát hiện lỗ hổng hợp đồng thông minh.Bài báo được công bố tại hội nghị quốc tế:IEEE ISCIT (International Symposium on Communications and Information Technologies) là hội nghị khoa học quốc tế trong lĩnh vực công nghệ thông tin, truyền thông và các hướng nghiên cứu về trí tuệ nhân tạo, hệ thống thông minh và xử lý thông tin.Hội nghị được tổ chức dưới sự bảo trợ kỹ thuật của IEEE. Các bài báo được chấp nhận được xuất bản trên IEEE Xplore và thường được lập chỉ mục trong Scopus. Tại thời điểm bài báo được nộp và đánh giá, hội nghị được xếp hạng CORE B, thuộc nhóm hội nghị quốc tế có uy tín và được cộng đồng học thuật trong lĩnh vực công nghệ thông tin ghi nhận.Thông tin chi tiết tại: https://www.facebook.com/share/p/1BUiJ1LJtv/ Đông Xanh - Cộng tác viên truyền thông Trường Đại học Công nghệ Thông tin  

Bài báo: Smart Contract Vulnerability Detection using Prompt Engineering with Reasoning ModelsNhóm tác giả:- Lê Huỳnh Giang – KHMT2022 – Tác giả chính- Chu Nguyen Hoang Phuong – ATCL2021 – Đồng tác giảGiảng viên hướng dẫn:- TS. Phan Thế DuyTóm tắt:Bài báo đề xuất phương pháp phát hiện lỗ hổng hợp đồng thông minh bằng kỹ thuật Prompt Engineering kết hợp mô hình suy luận (LLM) mà không cần huấn luyện lại mô hình. Phương pháp xây dựng quy trình prompt gồm 6 thành phần (Role, Context, Verifier, Thinking, Critique, Transform) nhằm khai thác khả năng suy luận của LLM để nâng cao hiệu quả phát hiện lỗ hổng bảo mật.Kết quả thực nghiệm cho thấy phương pháp đạt hiệu năng cạnh tranh và cải thiện độ chính xác trên một số nhóm lỗ hổng quan trọng so với cách tiếp cận zero-shot truyền thống.Nhóm tác giả xin chân thành cảm ơn các thành viên trong nhóm nghiên cứu đã đóng góp ý kiến và hỗ trợ trong quá trình thực hiện đề tài. Đặc biệt, xin gửi lời biết ơn sâu sắc đến thầy hướng dẫn vì sự định hướng, góp ý chuyên môn và đồng hành trong suốt quá trình nghiên cứu. Đồng thời, nhóm cũng trân trọng cảm ơn Information Security Laboratory (InSecLab), Trường Đại học Công nghệ Thông tin – ĐHQG TP.HCM đã tạo điều kiện về môi trường nghiên cứu và hỗ trợ học thuật để hoàn thành công trình này.Bài báo được công bố tại hội nghị quốc tế:MAPR (Multimedia Analysis and Pattern Recognition) là hội nghị khoa học quốc tế về AI, Machine Learning, Computer Vision, Multimedia và Pattern Recognition. Hội nghị được đồng sáng lập và tổ chức bởi Trường Đại học Công nghệ Thông tin (UIT), quy tụ các nhà nghiên cứu trong nhiều lĩnh vực của trí tuệ nhân tạo và thị giác máy tính.Các bài báo được chấp nhận và trình bày tại hội nghị được xuất bản trên IEEE Xplore và lập chỉ mục trong cơ sở dữ liệu Scopus, góp phần khẳng định chất lượng và giá trị học thuật của các công trình nghiên cứu.Thông tin chi tiết tại: https://www.facebook.com/share/p/1aieQvaxTE/ Đông Xanh - Cộng tác viên truyền thông Trường Đại học Công nghệ Thông tin