工作的创新性和技术深度。
评委眼中露出感兴趣的光芒：“有意思。将高层语义（目标）作为潜在变量引入，引导低层特征的聚合。这和最近一些基于因果推断或能量模型的工作有异曲同工之妙。你们的实验结果表明，这种方法在复杂场景下，比如防守方采取换防时，确实比基线模型有提升？”
“是的，”这次是王睿接过话头，他调出演示系统，快速点开几个预设的复杂案例，“在传统的基于轨迹聚类的baseline上，我们的模型在‘换防’、‘假挡拆’这类场景下的F1值提升了约15%。可视化也显示，我们的模型在防守方开始换防移动的早期，就会将注意力更多地分配给参与换防的防守球员，这表明它在一定程度上‘理解’了防守方的应对意图对战术目标的影响。”
评委凑近屏幕，仔细看着动态的注意力权重变化，又问了一些关于数据集构建、模型效率、以及泛化到其他团队运动可能性的问题。苏晚、王睿和韩澈三人交替回答，配合默契，韩澈则重点从篮球专业角度解释了数据标注的挑战和模型结果的现实意义。
他们的对答吸引了旁边其他参观者的注意。渐渐地，展位前的人多了起来。有对篮球感兴趣的学生，惊讶于AI还能这样分析比赛；有研究时序数据或图神经网络的同行，就技术细节进行探讨；也有来自产业界、对体育科技感兴趣的人士，询问项目的实用化前景。
提问开始变得五花八门，角度各异。有人质疑数据规模是否足够，模型是否过拟合；有人好奇能否应用于足球或橄榄球；有人直接问有没有商业化的计划。三人疲于应对，但精神高度集中。苏晚负责应对最硬核的理论和算法诘问，王睿负责技术实现和实验细节，韩澈则用篮球实例和清晰比喻，化解那些对篮球战术不熟悉的听众的疑惑，并阐述项目的应用潜力。
“你是说，这个模型可以帮助教练组自动分析海量比赛录像，快速总结对手的战术习惯和球员倾向？”一位看起来像企业代表的人问。
本章未完，请点击"下一页"继续阅读！ 第3页 / 共7页