十二年坚守，本科科研成果迭代升级 自2012届起，上海交通大学将"把最好的留到最后"融入本科毕业设计的制度设计中，每年从全校25个学院中遴选1%的顶尖学士学位论文进行表彰。这个做法已成为该校本科教育的重要组成部分，旨在激励学生在本科阶段投身科学研究，培养创新意识和实践能力。 2023届的评选结果显示，这一制度的效能不断释放。共有56篇来自各学院的学位论文参加终评，最终41篇论文获得表彰，占比约73%，创下历年新高。这一数据变化反映出学校本科科研指导体系的完善，以及学生科研参与度和质量的同步提升。 跨领域推荐系统突破，算法创新显成效 在电子信息与电气工程学院的优异论文中，张若涵的研究成果在跨领域推荐系统领域取得重要进展。该研究针对推荐系统在不同领域间迁移时面临的共性识别与噪声干扰问题，提出了创新的解决方案。 张若涵通过引入对比学习方法，设计了表示信息量增强模块。该模块利用互信息最大化原理，在强化领域不变表示的"共识"特征同时，保留领域特定表示的差异性，从而有效降低冗余信息的干扰。在亚马逊和豆瓣两个大规模数据集上的验证表明，所提出的GCACDR与DCCDR双模型相比现有最优方法有大幅提升，消融实验与可视化分析深入证实了算法的有效性。 需要指出，张若涵在本科阶段已以第一作者身份在DASFAA 2023和TOIS 2022等高水准学术期刊发表论文，展现了从科研实践到学术发表的完整成长路径。 神经渲染技术优化，效率与质量兼得 同院的严涵在神经渲染领域的研究同样取得突破。神经辐射场（NeRF）技术虽然在新视角合成中表现优异，但其高计算成本和内存占用成为实际应用的瓶颈。严涵的研究正是针对这一痛点展开的。 她采用层级稀疏体数据结构VDB替代传统多层感知机（MLP），在训练阶段直接优化VDB体元，在渲染阶段充分利用VDB的高效遍历特性，实现了计算效率与内存占用的双重优化。实验数据显示，相比现有方法DVGO，PlenVDB在NeRF-Synthetic数据集上的渲染速度提升4至5倍，内存占用降低8倍，同时视觉质量基本保持无损。 严涵的这一研究成果已被CVPR 2023（计算机视觉领域顶级会议）主会场收录，进一步验证了本科阶段科研工作的学术价值。 导师引领，科研育人相融合 两位学生的成长背后，是来自同一学院两位教师的精心指导。这两位教师分别深耕推荐系统和神经渲染领域，他们的共同特点是将国家级科研项目、顶级学术会议论文融入课堂教学，同时推动算法在芯片、汽车、云计算等产业领域的落地应用。 这种教学模式表明了"小中见大"的育人理念：从一个对比损失函数这样的微观算法细节入手，逐步引导学生建立完整的科研思维体系，最终帮助学生确立人生的坐标和方向。这种做法将科研训练与人才培养有机结合，使本科教育不仅传授知识，更培养学生的创新精神和学术素养。
上海交通大学这些优秀学士论文展现了青年学子的科研潜力，也反映了高等教育改革的成果。在建设教育强国、科技强国的道路上，如何创新人才培养模式、助力青年成长，是值得深入探讨的课题。交大的实践为此提供了有益借鉴。