Từ ngày 22–28/08/2026, tại Hà Nội, Viện Nghiên cứu cao cấp về Toán (VIASM) phối hợp cùng Viện Khoa học - Công nghệ mật mã, Ban Cơ yếu Chính phủ tổ chức Trường hè IACR–VIASM năm 2026 về Mật mã, với sự tài trợ của Hiệp hội Nghiên cứu Mật mã Quốc tế (IACR), Phòng Nghiên cứu Mật mã Tiên tiến (ACR Lab) và Calif (Hoa Kỳ).Chương trình quy tụ 150 học viên và nhà nghiên cứu, trong đó có 30 học viên quốc tế đến từ 8 quốc gia, cùng các chuyên gia trong lĩnh vực mật mã. Nội dung tập trung vào những chủ đề chuyên sâu như giao thức mật mã, mật mã lượng tử và các kỹ thuật mật mã hậu lượng tử, đồng thời tạo không gian trao đổi, kết nối học thuật giữa cộng đồng nghiên cứu mật mã Việt Nam và quốc tế.Trong danh sách học viên năm nay có hai sinh viên Trường Đại học Công nghệ Thông tin, ĐHQG-HCM (UIT): Lê Trí Đức và Nguyễn Trọng Nhân. Cả hai đều là sinh viên ngành Tài năng An toàn thông tin 2024 - Khoa Mạng máy tính và Truyền thông và đang tiếp tục phát triển chuyên môn ở mảng Crypto/Mật mã học.Mật mã học là một trong những nền tảng cốt lõi của an toàn thông tin, nghiên cứu các phương pháp toán học và thuật toán nhằm bảo đảm tính bí mật, tính toàn vẹn, tính xác thực và khả năng kiểm chứng của thông tin. Mật mã học hiện đại không chỉ dừng ở mã hóa dữ liệu mà còn bao gồm chữ ký số, giao thức mật mã, chứng minh không tiết lộ (Zero-Knowledge Proofs), tính toán đa bên an toàn (Secure Multi-Party Computation) và đặc biệt là mật mã hậu lượng tử (Post-Quantum Cryptography) nhằm chuẩn bị cho những thách thức bảo mật trong kỷ nguyên máy tính lượng tử.Sự hiện diện của sinh viên UIT tại những chương trình học thuật chuyên sâu như IACR–VIASM là cơ hội để các bạn tiếp cận kiến thức chuyên sâu, trao đổi trực tiếp với các nhà nghiên cứu và mở rộng kết nối với cộng đồng mật mã, qua đó tạo nền tảng để tiếp tục theo đuổi các hướng nghiên cứu chuyên sâu về mật mã và an toàn thông tin.Chúc Lê Trí Đức và Nguyễn Trọng Nhân có một tuần học tập hiệu quả, mang về nhiều kiến thức, trải nghiệm và những kết nối học thuật giá trị!Thông tin chi tiết tại: https://www.facebook.com/share/p/181wNuZBTc/ Đông Xanh - Cộng tác viên truyền thông Trường Đại học Công nghệ Thông tin  

Chúc mừng nhóm sinh viên Cao Thế Thuận - Đoàn Ngọc Như Quỳnh, đã xuất sắc có bài báo nghiên cứu khoa học được chấp nhận đăng tại Mobile Networks and Applications! Đây là tạp chí khoa học quốc tế uy tín thuộc nhà xuất bản Springer Nature, hiện được xếp hạng Q2 theo SCImago Journal Rank (SJR) trong các lĩnh vực Mạng máy tính, Hệ thống thông tin và Phần mềm.Tên bài báo: “Evaluating the robustness and transferable adversarial example resistance of multimodal learning-based intrusion detection systems against evasion attacks”.Sinh viên thực hiện:- Cao Thế Thuận - Lớp KHCL2020.1- Đoàn Ngọc Như Quỳnh - Lớp KHCL2020.1Bài báo là kết quả của KLTN/DACN.Giảng viên hướng dẫn: ThS. Đoàn Minh Trung, ThS. Nghi Hoàng Khoa, TS. Phan Thế DuyLời cảm ơn của nhóm sinh viên: “Đầu tiên, em xin gửi lời tri ân sâu sắc nhất đến Thầy Đoàn Minh Trung, Thầy Nghi Hoàng Khoa và Thầy Phan Thế Duy. Cảm ơn quý thầy đã luôn định hướng, gánh vác và kiên nhẫn chỉ bảo cho chúng em từ những ý tưởng sơ khai nhất cho đến lúc hoàn thiện bài báo. Những lời khuyên và sự khắt khe của quý thầy chính là động lực lớn nhất để bài nghiên cứu này được trọn vẹn. Cuối cùng, xin cảm ơn Information Security Lab (InSecLab) và Khoa Mạng máy tính & Truyền thông (UIT) đã luôn tạo một môi trường nghiên cứu quá tuyệt vời và xịn sò cho sinh viên. Đây sẽ là động lực cực lớn để tiếp tục cố gắng hơn nữa trên con đường sắp tới.”Tóm tắt bài báo (Abstract):Intrusion Detection Systems (IDS) play a crucial role in safeguarding computer networks against malicious activities. However, current IDS models based on machine learning (ML) and deep learning (DL) encounter challenges in accurately classifying malicious network traffic, especially when confronted with adversarial perturbations and the transferability of adversarial attacks. To address these challenges, numerous studies have proposed and demonstrated the effectiveness of a novel multimodal approach, which leverages multiple sources of information to achieve better accuracy and the ability to identify more unknown attacks. In this study, we evaluate the robustness of multimodal learning-based IDS against transferable adversarial examples (AEs) generated by Generative Adversarial Networks (GANs). Additionally, we integrate adversarial training techniques to enhance the IDS's capability to identify attack patterns with small perturbations. Our proposed strategy, MAT, achieves near-perfect detection rates across all attack types and the highest overall F1 score (0.7595), substantially outperforming all baselines under second-round adversarial attack conditions. While the attained results may not be as remarkable as desired, implementing the Multimodal approach makes a notable contribution to the field, paving the way for further research and advancements in addressing the challenges encountered by existing IDS models.Thông tin về Tạp chí khoa học:Mobile Networks and Applications (MONET) là tạp chí khoa học quốc tế do Springer Nature xuất bản, tập trung vào các nghiên cứu về mạng di động, truyền thông không dây và sự hội tụ giữa tính di động, điện toán và quản lý thông tin. Tạp chí công bố các nghiên cứu lý thuyết và thực tiễn trong nhiều lĩnh vực như mạng không dây và di động, công nghệ điện toán, quản lý dữ liệu, phần mềm, phần cứng và các dịch vụ di động. Theo hệ thống SCImago Journal Rank (SJR), tạp chí MONET thuộc nhóm Q2 trong các lĩnh vực liên quan đến Computer Networks and Communications, Hardware and Architecture, Information Systems và Software, đồng thời đạt h-index 102 theo dữ liệu SCImago.Thông tin chi tiết tại: https://www.facebook.com/share/p/1DQ86vfi2s/ Đông Xanh - Cộng tác viên truyền thông Trường Đại học Công nghệ Thông tin  

Bài báo: A GENERATIVE - CONTRASTIVE MODEL FOR MUSIC SOURCE SEPARATIONSinh viên thực hiện:- Mai Anh Khoa – KHMT2023.2 – Khoa Khoa học Máy tính- Hà Tuấn Anh – KHMT2023.1 – Khoa Khoa học Máy tínhGiảng viên hướng dẫn:- TS. Dương Việt HằngTóm tắt:Music source separation seeks to decompose a mixture into individual sources, yet current approaches face a trade-off between high-performing but computationally expensive Transformer-based models (e.g., Demucs v4) and efficient lightweight variants (e.g., Demucs v1/v2) that often exhibit crosssource interference and reduced perceptual quality. To address this trade-off, this study proposes a generative - contrastive framework, namely ContraGAN, that utilize Demucs as the generator and integrate a contrastive loss function into the latent representation space for enhancing the separation of features among music sources, while reducing cross-talk and residual noise. Experiments on the MUSDB18 dataset demonstrate consistent improvements over baseline Demucs models across SDR, SIR, SAR, and ISR metrics, supported by subjective listening evaluations."Chúng em xin bày tỏ lòng biết ơn sâu sắc đến Cô hướng dẫn – TS. Dương Việt Hằng – người đã tận tình hướng dẫn, đồng hành và hỗ trợ chúng em trong suốt hành trình nghiên cứu và công bố bài báo khoa học quốc tế này."Bài báo được công bố tại hội nghị khoa học quốc tế:International Conference on Green Technology and Sustainable Development – GTSD là hội nghị quốc tế thường niên do Trường Đại học Công nghệ và Kỹ thuật TP.HCM (HCMUTE) phối hợp cùng Trường Đại học Tôn Đức Thắng (TDTU), Đại học Công nghệ Quốc gia Đài Bắc (Đài Loan), Đại học Adelaide (Úc) và Đại học Quezon City (Philippines) đồng sáng lập và tổ chức. Hội nghị GTSD 2026 được tổ chức theo hình thức kết hợp (hybrid).Các bài báo khoa học xuất sắc thuộc nhóm ngành Kỹ thuật, Trí tuệ nhân tạo, CNTT và Hệ thống thông minh sẽ được lựa chọn xuất bản trong danh mục Scopus-Index (chuỗi sách Springer LNNS) hoặc Thư viện điện tử IEEE Xplore; trong khi các nghiên cứu về Vật liệu tiên tiến, Kinh tế tuần hoàn và Giải pháp môi trường bền vững sẽ được xuất bản bởi Nhà xuất bản Đại học Quốc gia TP.HCM (VNUHCM Press). Hội nghị là diễn đàn khoa học để giới học thuật, nghiên cứu trong và ngoài nước đến giao lưu, trao đổi kinh nghiệm với nhiều lĩnh vực lý thuyết và ứng dụng thực tiễn của công nghệ xanh và phát triển bền vững trong thời đại Cách mạng Công nghiệp 4.0.Thông tin chi tiết tại: https://www.facebook.com/share/p/19BUtBdGFk/ Đông Xanh - Cộng tác viên truyền thông Trường Đại học Công nghệ Thông tin  

Bài báo:EXPLAINABLE PAI ASSESSMENT IN PATHOLOGICAL RADIOGRAPHS VIA RAA SCORINGSinh viên thực hiện:- Nguyễn Khôi Nguyên – KHMT2024 – Khoa Khoa học Máy tínhGiảng viên hướng dẫn:- TS. Dương Việt HằngTóm tắt:Accurate assessment of periapical pathology severity using the Periapical Index (PAI) is essential for dental diagnosis but remains challenging due to subtle inter-class variations and ambiguous boundaries in radiographic images. This study presents an explainable framework for PAI grading using Activation Area Ratio (AAR) and Region-Aware Attribution (RAA) scoring mechanisms. The approach directly classifies severity levels from pre-identified pathological regions. To enhance interpretability, Grad-CAM++ visual explanations analyze model attention. Results indicate encouraging classification performance; however, attention maps reveal the model does not always focus exclusively on lesion regions, occasionally relying on surrounding anatomical structures. This highlights the importance of integrating explainability into clinical AI systems. The RAA framework serves as a decision-support tool, enabling clinicians to assess predictions and improve trust in automated diagnostics.Chúng em xin bày tỏ lòng biết ơn sâu sắc đến Cô hướng dẫn – TS. Dương Việt Hằng – người đã tận tình hướng dẫn, đồng hành và hỗ trợ chúng em trong suốt hành trình nghiên cứu và công bố bài báo khoa học quốc tế này.Bài báo được công bố tại hội nghị khoa học quốc tế:International Conference on Green Technology and Sustainable Development (GTSD) là hội nghị khoa học quốc tế được khởi xướng từ năm 2012 và tổ chức định kỳ hai năm một lần. GTSD 2026 là kỳ hội nghị lần thứ 8, được đồng tổ chức bởi Trường Đại học Công nghệ Kỹ thuật TP.HCM, Trường Đại học Tôn Đức Thắng, National Taipei University of Technology (Taiwan), Adelaide University (Australia) và Quezon City University (Philippines).Các chủ đề của GTSD 2026 tập trung vào Artificial Intelligence and Machine Learning, Big Data Analytics and Applications, Renewable Energy and Smart Grid, Smart Manufacturing/Industry 4.0 Systems, Robotics and Control System, cùng nhiều lĩnh vực khác về Green Technology và Sustainable Development. Trải qua các kỳ tổ chức, GTSD đã thu hút nhiều nhà khoa học, chuyên gia đến từ nhiều quốc gia cùng hàng trăm công trình nghiên cứu chất lượng cao. Tại GTSD, các bài báo được chấp nhận sẽ được xuất bản trên các hệ thống xuất bản khoa học uy tín như IEEE Xplore, Springer và VNU-HCM Press.Thông tin chi tiết tại: https://www.facebook.com/share/p/1HriSxqLYB/ Đông Xanh - Cộng tác viên truyền thông Trường Đại học Công nghệ Thông tin  

Bài báo: S-O-R Model of Impulsive Purchase in Tiktok Livestream CommerceLink bài báo: https://doi.org/10.1109/IMCOM69009.2026.11360852Nhóm tác giả:- Nguyễn Thị Hồng Nhung – TMDT 2023 – Đồng tác giảGiảng viên hướng dẫn: - ThS. Lý Đoàn Duy KhánhTóm tắt:Impulsive purchase behavior in livestream commerce has become increasingly prevalent, yet prior research has primarily focused on cognitive and attitudinal factors, leaving the emotional mechanisms and sensory-social stimuli largely unexplored. This study investigates how key characteristics of livestream commerce affect impulsive purchase behavior, with the mediating role of arousal.Data were collected from 212 Gen Z consumers in Ho Chi Minh City using a convenience sampling method, which is suitable for exploratory behavioral studies. Using PLS-SEM based on the Stimulus-Organism Response model, this study finds that sound, visual, and social influence significantly affect impulsive purchase behavior through arousal.From a managerial perspective, the findings provide actionable insights for livestream platforms and marketers to design more engaging sensory and social cues that effectively arousal consumer emotions and drive impulsive purchase behaviors.Bài báo được công bố tại hội nghị quốc tế:The 20th International Conference on Ubiquitous Information Management and Communication (IMCOM 2026) là hội nghị quốc tế thường niên uy tín trong lĩnh vực quản lý thông tin và truyền thông toàn thể (ubiquitous information and communication). Hội nghị là diễn đàn học thuật chất lượng cao nhằm giải quyết các thách thức trong xử lý thông tin thông minh, hệ thống mạng xã hội, truyền thông không dây và có dây, và các ứng dụng điện toán toàn thể.IMCOM đóng vai trò là nền tảng quốc tế để các nhà nghiên cứu, giảng viên, và học viên chia sẻ ý tưởng, mở rộng hợp tác nghiên cứu và thúc đẩy trao đổi học thuật trong khu vực châu Á – Thái Bình Dương. Các bài báo được chấp nhận tại hội nghị sẽ được chỉ mục bởi Scopus và EI, đồng thời nộp xem xét đưa vào IEEE Xplore (nếu đạt yêu cầu về phạm vi và chất lượng). Một số bài tiêu biểu sẽ được mời mở rộng và xuất bản trên các tạp chí uy tín như IEEE Access, WCMC, Oxford The Computer Journal, IEEE Transactions on Emerging Topics in Computing, IET Intelligent Transport Systems, cùng nhiều tạp chí SCI/SCIE khác.Thông tin chi tiết tại: https://www.facebook.com/share/p/1KN8bLAXk1/ Đông Xanh - Cộng tác viên truyền thông Trường Đại học Công nghệ Thông tin  

Bài báo: PHOENIX-ID: An Embedded Multimodal WiFi–Vision Framework for Human IdentificationNhóm tác giả:- Bùi Thiên Bảo – KHDL2024 – Đồng tác giả- Trần Minh Phát – KHDL2024 – Đồng tác giả- Đỗ Gia Phúc – MMTT2023.2 – Đồng tác giảGiảng viên hướng dẫn:- TS. Nguyễn Tấn Hoàng Phước- ThS. Đỗ Minh TiếnTóm tắt:Human identification using computer vision performs well in ideal environments but often degrades under occlusion, poor lighting, or environmental noise. In contrast, WiFi Channel State Information is less affected by these conditions and can capture human motion patterns even without direct visual observation. Therefore, CSI can complement vision-based approaches for more robust identification.In this paper, we propose PHOENIX-ID, a cross-modal framework that integrates WiFi CSI and vision data for human identification. We also introduce WiVi32-ID - a multimodal dataset collected using ESP32 devices and vision sensors. PHOENIX-ID includes an ESP32-specific CSI preprocessing pipeline, an evaluation of nine fusion strategies, robustness analysis under degraded vision conditions, explainable AI analysis of modality contributions, and a comparison of vision representations including RGB, skeleton, and silhouette.Experimental results show that the proposed fusion approach improves identification robustness compared with single-modality methods.Bài báo được công bố tại hội nghị quốc tế:The 2nd International Conference on Intelligent Aerial Access and Applications (IAAA 2026) là hội nghị quốc tế trong lĩnh vực UAV, trí tuệ nhân tạo và mạng thông tin không gian; các bài báo được chấp nhận và trình bày sẽ được xuất bản bởi Springer trong loạt Lecture Notes in Networks and Systems (LNNS), thuộc danh mục chỉ mục Scopus.Thông tin chi tiết tại: https://www.facebook.com/share/p/1DNm5uAcXm/ Đông Xanh - Cộng tác viên truyền thông Trường Đại học Công nghệ Thông tin  

Bài báo:Long-Sequence Modeling for Sparse-View Computed Tomography ReconstructionTác giả:- Lê Đức Thành – KHMT2023 – Đồng tác giảGiảng viên hướng dẫn:- TS. Bùi Cao Doanh- PGS.TS. Nguyễn Tấn Trần Minh KhangTóm tắt:Tái tạo ảnh cắt lớp vi tính (Computed Tomography – CT) từ dữ liệu sparse-view là một hướng nghiên cứu quan trọng nhằm giảm liều chiếu tia X cho bệnh nhân nhưng vẫn đảm bảo chất lượng hình ảnh. Các phương pháp truyền thống dựa trên mạng nơ-ron tích chập (CNN) có khả năng trích xuất hiệu quả các đặc trưng cục bộ, tuy nhiên còn hạn chế trong việc mô hình hóa các mối quan hệ phụ thuộc ở khoảng cách xa. Trong khi đó, các mô hình Transformer có thể khắc phục hạn chế này bằng cách học các mối quan hệ toàn cục giữa các vùng ảnh, nhưng thường sử dụng các token ảnh có kích thước lớn (ví dụ 16 × 16 pixel), dẫn đến thiên lệch về thông tin cục bộ và làm giảm khả năng biểu diễn các cấu trúc tinh vi. Do các vùng bất thường trên ảnh CT thường có kích thước nhỏ, việc sử dụng các token có độ phân giải cao hơn (chẳng hạn 2 × 2 pixel) là cần thiết. Tuy nhiên, cách biểu diễn này làm số lượng token tăng mạnh, kéo theo chi phí tính toán của cơ chế self-attention tăng theo bậc hai.Để giải quyết vấn đề trên, nghiên cứu này khai thác các phương pháp xấp xỉ self-attention hiệu quả. Cụ thể, chúng tôi đề xuất biểu diễn gradient của thành phần chuẩn hóa (regularization gradient) của ảnh CT dưới dạng một chuỗi token dài, trong đó mỗi token tương ứng với một vùng ảnh 2 × 2 pixel. Cách biểu diễn này cho phép mô hình hóa hiệu quả các phụ thuộc dài bằng các kiến trúc xử lý chuỗi hiện đại. Trên cơ sở đó, nghiên cứu tích hợp cơ chế Selective State Space Model của Mamba cùng ba phương pháp self-attention xấp xỉ gồm Longformer, LongNet và Nyströmformer vào mạng tái tạo ảnh dựa trên regularization.Kết quả thực nghiệm trên hai bộ dữ liệu công khai AAPM và DeepLesion cho thấy mô hình sử dụng Nyström Attention đạt chỉ số SSIM lần lượt là 0,9607 và 0,9711, vượt trội hơn các phương pháp tiên tiến hiện nay với mức cải thiện 1,3% và 3,1%. Bên cạnh đó, trong khi nhiều phương pháp tái tạo truyền thống suy giảm đáng kể chất lượng khi dữ liệu đầu vào có nhiễu, mô hình đề xuất vẫn duy trì được tính ổn định và chất lượng tái tạo cao. Kết quả nghiên cứu cho thấy việc biểu diễn ảnh CT bằng các token kích thước nhỏ ở mức pixel là một hướng tiếp cận hiệu quả và có chi phí tính toán hợp lý để mô hình hóa các phụ thuộc dài trong bài toán tái tạo ảnh CT sparse-view.Bài báo được công bố tại tạp chí quốc tế:Machine Vision and Applications (MVA) là tạp chí khoa học quốc tế bình duyệt do Springer Nature xuất bản, chuyên về các lĩnh vực thị giác máy tính (Computer Vision), xử lý ảnh (Image Processing), trí tuệ nhân tạo (Artificial Intelligence) và các ứng dụng liên quan.Tạp chí được chỉ mục trong Web of Science (SCIE) và Scopus, đồng thời được xếp hạng Q2 theo Scopus/SJR trong các lĩnh vực Computer Vision and Pattern Recognition và Computer Science Applications. Theo các chỉ số công bố giai đoạn 2025–2026, tạp chí có Journal Impact Factor (JIF) ≈ 2.3, CiteScore ≈ 4.9, SJR ≈ 0.50, SNIP ≈ 0.79 và H-index = 84, phản ánh mức độ ảnh hưởng và uy tín tốt trong cộng đồng nghiên cứu về thị giác máy tính và xử lý ảnh.Thông tin chi tiết tại: https://www.facebook.com/share/p/1Dnf3KsXEV/ Đông Xanh - Cộng tác viên truyền thông Trường Đại học Công nghệ Thông tin  

Trong kỷ nguyên chuyển đổi số và công nghệ không gian, thiết bị bay không người lái (UAV) đang nhanh chóng vượt khỏi khuôn khổ của những thiết bị quay chụp đơn thuần để trở thành động lực phát triển then chốt của nền kinh tế tầm thấp – làn sóng công nghệ bùng nổ định hình lại logistics, nông nghiệp thông minh, giám sát hạ tầng và cứu hộ cứu nạn trên quy mô toàn cầu.Tuy nhiên, khi hàng nghìn thiết bị cùng bay lượn trên bầu trời ở độ cao hàng trăm mét, các thách thức nhất về mạng và truyền thông xuất hiện: Làm sao các UAV có thể liên lạc với nhau ổn định khi di chuyển với tốc độ cao? Làm thế nào để duy trì kết nối qua mạng di động 5G/B5G mà không bị nhiễu? Và bằng cách nào xây dựng được một hệ thống quản lý không lưu tự động (UTM/U-space) để định danh và phân luồng đường bay an toàn, chống lại các nguy cơ phá sóng và tấn công mạng?Nhằm đón đầu xu hướng công nghệ tương lai này, môn học giúp sinh viên làm chủ từ kiến trúc mạng không gian - trên không – mặt đất, giao thức định tuyến đến các thuật toán AI/RL tự hành và hệ thống điều phối không lưu tầm thấp.NHỮNG NỘI DUNG BẠN SẼ CHINH PHỤCBản đồ mạng tích hợp Không gian – Trên không – Mặt đất (SAGIN): Tìm hiểu cách các thiết bị kết nối nhịp nhàng thành mạng lưới 3 tầng khép kín: Vệ tinh trên vũ trụ → UAV bay trên không → Trạm thu phát và người dùng dưới mặt đất.Giải bài toán sóng mạng cho vật thể bay: Tìm hiểu đặc tính truyền sóng vô tuyến khi UAV bay ở các độ cao khác nhau; cách sử dụng các kỹ thuật mạng không dây hiện đại để điều khiển UAV từ xa.Mạng các UAV tự "nói chuyện" với nhau: Khi bay vào vùng mất sóng điện thoại (như rừng sâu, hải đảo), các UAV sẽ tự động tìm thấy nhau, tự kết nối và chuyển tiếp dữ liệu qua lại như một đội hình ăn ý mà không cần trạm trung gian.Xây dựng Hệ thống quản lý không lưu trên không: Học cách gắn định danh để nhận diện chủ sở hữu UAV; lập trình hệ thống tự động phát hiện nguy cơ va chạm để UAV tự né nhau; và thiết lập hàng rào ảo tự động khóa đường bay khi UAV đến gần khu vực cấm.Dạy UAV tự tư duy bằng Trí tuệ nhân tạo (AI): Ứng dụng Học tăng cường (Reinforcement Learning), các mô hình ngôn ngữ lớn (LLM) để UAV tự học cách chọn đường bay ngắn nhất, tự động sạc pin thông minh và phối hợp cả đàn cùng làm nhiệm vụ hiệu quả.Bảo mật & Phòng thủ tác chiến điện tử: Hiểu rõ các chiêu thức tấn công UAV ngoài đời thực (như phát tín hiệu GPS giả mạo để cướp quyền điều khiển, dùng súng phá sóng vô tuyến) và cách thiết kế mạng lưới an toàn, chống bị xâm nhập.BẠN SẼ LÀM ĐƯỢC GÌ?Kết thúc môn học, sinh viên không chỉ nắm vững lý thuyết mà còn hình thành tư duy hệ thống để tự tin phân tích, thiết kế và triển khai trọn vẹn một giải pháp mạng UAV bám sát thực tiễn Việt Nam và chuẩn mực quốc tế. Bạn sẽ làm chủ kỹ năng xây dựng mô phỏng mạng cho đội bay, thiết lập hệ thống giám sát – điều phối không lưu tự động, ứng dụng AI để tối ưu hóa quỹ đạo và đánh giá hiệu năng hệ thống một cách khoa học. Quan trọng hơn, thông qua việc phát triển sản phẩm chạy thực tế giải quyết các bài toán giao hàng, cứu hộ hay nông nghiệp thông minh, môn học mở ra cơ hội giúp bạn tối ưu thời gian nghiên cứu và sẵn sàng phát triển thành các bài báo khoa học tại các hội nghị và tạp chí uy tín.MÔN HỌC NÀY DÀNH CHO AI VÀ CÁC YÊU CẦU CẦN CÓ?Đối tượng: Môn học dành cho sinh viên năm 4 đam mê lĩnh vực mạng không dây thế hệ mới, IoT, hệ thống điều khiển thông minh và thiết bị tự hành.Môn học trước: Nhập môn Mạng máy tính.Công cụ & Ngôn ngữ sử dụng: Python, C++, PyTorch, Gymnasium, Stable-Baselines3, QGroundControl, Gazebo, PX4/ArduPilot SITL, Mosquitto MQTT broker. Môn học tập trung vào khía cạnh giải pháp và thực thi, không yêu cầu chứng minh toán học nặng nề, có hướng dẫn chi tiết qua các tutorial và notebook mẫu.GIẢNG VIÊN DẪN DẮT MÔN HỌC:TS. Huỳnh Văn Đặng.ThS. Đặng Lê Bảo Chương.THÔNG TIN MÔN HỌCMã môn học: NT551.Tên môn học: Công nghệ mạng cho thiết bị bay không người lái (Network Technologies for Unmanned Aerial Vehicles).Loại hình môn học: Chuyên đề tốt nghiệp tự chọn.Môn học trước: Nhập môn Mạng máy tính.Thời gian mở: Học kỳ 1 – Năm học 2026 - 2027.Số tín chỉ: 4 tín chỉ (Lý thuyết: 3 tín chỉ, Thực hành: 1 tín chỉ).Hình thức thực hành: Hình thức 1.Thông tin môn học: https://vdanghuynh.github.io/uav/Thông tin chi tiết: https://www.facebook.com/uit.nc/posts/pfbid02i5oX2L17pmDxPxFL1MHhmXaDYdPCdmK8baUekmTT8LgXeu8ZXj9ho28DHQX5mNwbl

Điều gì sẽ xảy ra nếu chúng ta phá vỡ mọi quy tắc tin học mà bạn từng biết? Nếu dữ liệu của bạn có thể vừa là 0, vừa là 1. Đó chính là một trong những ý tưởng làm nên điện toán lượng tử – một phương thức tính toán khai thác các quy luật đặc biệt của thế giới lượng tử để xử lý thông tin theo cách hoàn toàn khác với máy tính truyền thống.Nếu máy tính cổ điển sử dụng bit với hai trạng thái 0 hoặc 1, thì máy tính lượng tử sử dụng qubit. Nhờ hiện tượng chồng chập (Superposition), qubit có thể được biểu diễn như sự kết hợp của các trạng thái 0 và 1; trong khi rối lượng tử (Entanglement) tạo ra những mối liên hệ đặc biệt giữa các qubit. Từ đó, Quantum Computing mở ra những cách tiếp cận mới cho các bài toán mà máy tính cổ điển gặp nhiều khó khăn, đặc biệt trong tối ưu hóa, mô phỏng, mật mã, AI, mạng máy tính và điện toán đám mây.MỘT TƯƠNG LAI ĐANG DẦN THAY ĐỔI NHANH CHÓNGHãy tưởng tượng một ngày không xa: bạn mở terminal, gõ lệnh deploy như mọi khi - nhưng lần này, workload của bạn không chạy trên CPU hay GPU, mà trên một quantum backend nằm đâu đó trên đám mây. IBM, AWS, Azure hay Google đã âm thầm đặt những viên gạch đầu tiên cho tương lai đó từ nhiều năm nay. Những người làm DevOps của một thập kỷ tới, khi quantum-as-a-service trở thành một dịch vụ trên console đám mây; hay Cloud Engineer phải tối ưu tài nguyên giữa classical và quantum resource; và kỹ sư bảo mật phải chuẩn bị cho thế giới hậu lượng tử nơi các thuật toán mã hóa quen thuộc không còn an toàn tuyệt đối - lúc này hiểu biết về điện toán lượng tử không còn là một lựa chọn, mà dần trở thành một năng lực nền tảng, cần thiết phải trang bị.Môn học hứa hẹn sẽ cung cấp cho sinh viên góc nhìn mới, những bước chuyển mình đang âm thầm diễn ra, được chạm vào những khái niệm tưởng chừng xa vời, để rồi nhận ra chúng đang đến gần hơn ta nghĩ, ngay trong chính lĩnh vực mạng, hệ thống, đám mây và bảo mật mà các bạn theo đuổi.BẠN SẼ ĐƯỢC MỞ RA NHỮNG CÁNH CỬA GÌ?Nền tảng lượng tử trực quan: môn học được thiết kế theo hướng trực quan – thực hành – ứng dụng, tập trung vào tư duy tính toán và lập trình thay vì đi quá sâu vào cơ chế vật lý của phần cứng lượng tử. Bạn sẽ từng bước đi từ: Bit → Qubit → Quantum Gate → Quantum Circuit → Quantum Algorithm → Bài toán thực tế.Nền tảng toán học cơ bản: Ôn lại một chút vector, ma trận, số phức và xác suất là đủ để vẽ nên cả một vũ trụ trạng thái lượng tử.Những thuật toán nền móng: Deutsch-Jozsa, Grover’s Search, Shor’s Algorithm – những cái tên đã khiến các nhà mật mã học đổ mồ hôi và thúc đẩy cả một cuộc chạy đua hậu lượng tử toàn cầu.Mô hình Hybrid Classical - QuantumSơ lược Quantum Machine LearningỨng dụng giải quyết bài toán về Hệ thống và Mạng máy tính: Mô hình hóa các bài toán thực tế như routing, scheduling, phân bổ tài nguyên, VM/container placement trong hệ thống phân tán và Cloud.MÔN HỌC NÀY DÀNH CHO AI VÀ CÁC YÊU CẦU CẦN CÓ?Đối tượng: Sinh viên tất cả các ngành của UIT, đặc biệt phù hợp với sinh viên Khoa Mạng máy tính và Truyền thông, hoặc những người mong muốn đi xa hơn trong lĩnh vực điện toán lượng tử, muốn đón đầu làn sóng công nghệ mới.Về yêu cầu nền tảng, sinh viên cần học trước Nhập môn Mạng máy tính và Đại số tuyến tính. Đồng thời có khả năng lập trình Python để thực hiện các bài thực hành và đồ án.Trong trường hợp sinh viên chưa có nền tảng về các công cụ, kiến thức yêu cầu, môn học vẫn có phần giới thiệu và hướng dẫn bổ trợ trong quá trình học lý thuyết và thực hành, với điều kiện người học có tinh thần chủ động và sẵn sàng thử thách với các bài toán mới.GIẢNG VIÊN DẪN DẮT MÔN HỌC NÀYTS. Huỳnh Văn ĐặngThS. Phan Trung PhátTHÔNG TIN MÔN HỌCMã môn học: NT409.Tên môn học: Điện toán lượng tử và ứng dụng (Quantum Computing and Applications).Thời gian mở: Học kỳ 1 – Năm học 2026 - 2027.Số tín chỉ: 3 tín chỉ (Lý thuyết: 2 tín chỉ, Thực hành: 1 tín chỉ).Khối kiến thức: Chuyên ngành (MMT&TTDL)Hình thức thực hành: Hình thức 2Môn học trước: Nhập môn Mạng máy tính, Đại số tuyến tính.Thông tin chi tiết môn học: https://vdanghuynh.github.io/quantum/Thông tin chi tiết: https://www.facebook.com/uit.nc/posts/pfbid0PVTpgQecXsPy42a95yLTWchzPWZfgHX2iLfjWu72CmBpt8BRWXoSwAB6Cgd3cWa9l

Khoa Khoa học Máy tính, Trường Đại học Công nghệ Thông tin – ĐHQG-HCM vui mừng chia sẻ thành tích nghiên cứu nổi bật của hai sinh viên chương trình Cử nhân Lê Thị Thanh Tâm và Trần Văn Hoàng – Khóa 2023, với bài báo:“When Helpful Text Hurts: Option-Redirecting Bias in Vision–Language Models”Bài báo đã được chấp nhận và trình bày tại ACM Multimedia 2026 (ACM MM 2026) – một trong những hội nghị quốc tế hàng đầu trong lĩnh vực đa phương tiện, được xếp hạng CORE A* và CCF A.Về nội dung nghiên cứu, bài báo chỉ ra một điểm yếu đáng chú ý của các mô hình thị giác – ngôn ngữ (Vision–Language Models – VLMs). Khi mô hình nhận thêm văn bản bổ trợ có vẻ liên quan nhưng lại mâu thuẫn với thông tin trong hình ảnh và ngầm hướng tới một đáp án sai, mô hình có thể bị “dẫn hướng” một cách có hệ thống.Nhóm nghiên cứu gọi hiện tượng này là Option-Redirecting Bias, đồng thời đề xuất Textual Reliability Ladder nhằm phân tích mức độ ảnh hưởng của các dạng văn bản bổ trợ khác nhau đối với khả năng suy luận của mô hình.Kết quả thực nghiệm trên 4 bộ dữ liệu VQA cùng nhiều mô hình VLM hiện đại cho thấy dạng văn bản gây nhiễu này có thể làm suy giảm độ chính xác rất đáng kể, trong một số trường hợp lên tới 53,1%.Bên cạnh việc phát hiện và phân tích vấn đề, nhóm còn đề xuất một phương pháp can thiệp ngay trong quá trình suy luận, không cần huấn luyện lại mô hình, giúp cải thiện độ chính xác tới 14,6% trong các trường hợp mô hình bị dẫn hướng sai.Thành tích tại ACM Multimedia 2026 là một dấu ấn đáng tự hào, thể hiện năng lực nghiên cứu, tư duy sáng tạo và tinh thần học thuật của sinh viên Khoa Khoa học Máy tính ngay từ bậc đại học.Đây cũng là kết quả của sự hướng dẫn tận tâm từ Thầy Ngô Đức Thành, sự đồng hành của các thành viên trong nhóm nghiên cứu, cùng môi trường học tập và nghiên cứu của Khoa Khoa học Máy tính – UIT.Xin chúc mừng Lê Thị Thanh Tâm, Trần Văn Hoàng, quý Thầy/Cô hướng dẫn và nhóm nghiên cứu!Hy vọng thành công này sẽ tiếp tục truyền cảm hứng đến các bạn sinh viên đam mê nghiên cứu khoa học, đồng thời góp phần đưa hình ảnh UIT và sinh viên Việt Nam ngày càng hiện diện mạnh mẽ hơn trong cộng đồng nghiên cứu trí tuệ nhân tạo quốc tế.

Nhằm hỗ trợ nghiên cứu khoa học trong sinh viên, kích thích sự say mê tìm tòi học hỏi của sinh viên; Phòng KHCN, ĐN&SĐH đề nghị các đơn vị thông báo đến toàn thể các sinh viên và giảng viên hướng dẫn thuộc đơn vị mình về đăng ký đề tài nghiên cứu khoa học sinh viên năm 2026 như sau:+ Kinh phí thực hiện: 1.000.000 đồng/đề tài.+ Điều kiện tham gia: Sinh viên hệ chính qui (không quá 02 thành viên tham gia/đề tài).+ Thời gian thực hiện đề tài: 06 tháng kể từ khi được ký hợp đồng.+ Hình thức đăng ký: theo link: https://bit.ly/2ImBA2K+ Hạn chót sinh viên đăng ký đề tài: Đợt 1: ngày 31/8/2026.Đợt 2: ngày 15/12/2026.Chỉ tiêu: 40 đề tài/khoa/đợt.Các đề tài nghiên cứu khoa học có sản phẩm là bài báo thuộc danh mục Scopus được hưởng thêm chính sách của các Đề án thúc đẩy công bố của Nhà trường nếu ngân sách cho các Đề án này còn kinh phí:+ Bài hội nghị Scopus: Đề án 796/QĐ-ĐHCNTT, ngày 03/7/2026+ Bài tạp chí Scopus Q1: Đề án 352/QĐ-ĐHCNTT, ngày 03/4/2026Trân trọng.Thông tin chi tiết tại: https://khcn.uit.edu.vn/thong-bao-ve-viec-dang-ky-de-tai-nghien-cuu-khoa-hoc-sinh-vien-nam-2026 Đông Xanh - Cộng tác viên truyền thông Trường Đại học Công nghệ Thông tin  

Trong hai ngày 13–14/8/2026, Hội nghị khoa học quốc tế International Conference on Multimedia Analysis and Pattern Recognition (MAPR 2026) đã diễn ra tại thành phố Huế, quy tụ các nhà nghiên cứu, giảng viên, chuyên gia và sinh viên trong nước và quốc tế cùng trao đổi về những hướng nghiên cứu mới trong Trí tuệ nhân tạo, Học máy, Nhận dạng mẫu, Thị giác máy tính, Phân tích đa phương tiện và các lĩnh vực liên quan.InSecLab – Phòng thí nghiệm An toàn Thông tin, Trường Đại học Công nghệ Thông tin – ĐHQG-HCM vinh dự tham dự MAPR 2026, mang đến 06 công trình nghiên cứu được trình bày tại hội nghị, đồng thời có cơ hội giao lưu, trao đổi học thuật và kết nối với cộng đồng nghiên cứu trong nước và quốc tế.Không chỉ là dịp để chia sẻ những kết quả nghiên cứu, MAPR 2026 còn mang đến cho các thành viên và sinh viên InSecLab cơ hội tiếp cận những hướng nghiên cứu mới, lắng nghe các chia sẻ chuyên môn và mở rộng mạng lưới học thuật.Khép lại hai ngày hội nghị tại Huế, InSecLab tiếp tục tích lũy những kiến thức, kết nối và cảm hứng mới trên hành trình nghiên cứu – đổi mới – chia sẻ tri thức.Thông tin chi tiết tại: https://www.facebook.com/share/p/18AW9JEY6F/ Đông Xanh - Cộng tác viên truyền thông Trường Đại học Công nghệ Thông tin