· 专注 机器学习 / 深度学习 / 神经网络 / 时间序列预测 / 深度推荐 / ARC-AGI 神经求解
- 🔬 Research · 研究方向：高效深度网络架构（KAN × Transformer、三值量化 / MatMul-free）、多尺度时间序列预测、深度推荐系统、ARC-AGI 神经符号求解
- 🛰️ Currently building · 正在做：把 ARC-AGI 谜题压成极小 ONNX 网络（NeuroGolf，已解 200/400，公榜 2704.10）+ KAN-Transformer 建筑能耗预测框架
- 🌱 Exploring · 在学：三值 / MatMul-free 量化网络、对比学习（InfoNCE）、神经符号推理、AI 驱动的生产力工具
- 🏆 Competitions · 竞赛：常驻 Kaggle / 天池，偏爱防泄漏 CV 与多模型集成；天池移动推荐项目获 26 ⭐
- 💬 Ask me about · 可以聊：PyTorch、ONNX 图构建、Kaggle pipeline、可复现的 ML 工程、桌面 / 全栈应用开发
- ⚡ Fun fact · 冷知识：我给自己的一篇会议论文做了「从公式到 96% 测试覆盖率」的完整复现；还在 NeuroGolf 里手写了 150+ 个 ONNX 计算图求解器——不训练、纯构造
Languages & Deep Learning · 语言与深度学习
ML · Gradient Boosting & Tuning · 机器学习与调参
Data & Scientific · 数据与科学计算
Web & Apps · 全栈与应用
Tooling & Engineering · 工程与工具链
| Project · 项目 | What it does · 简介 | Highlights · 亮点 |
|---|---|---|
| 🧩 NeuroGolf | 用极小 ONNX 网络求解 ARC-AGI 谜题：在通过全部样例的前提下最小化 内存+参数，150+ 手写计算图求解器 |
200/400 tasks（已过半）· 公榜 2704.10（与本地评分完全一致）· 284 tests |
| 🛒 tianchi-E-commerce ⭐26 | 天池移动推荐算法：双塔 + Transformer 行为序列深度推荐系统，零泄漏推理，完全对齐竞赛规范 | PyTorch Lightning · 97 tests / 99% cov · cross-version CI |
| 🏢 KAN-Transformer-BECP | KAN × Transformer 建筑能耗预测，自有论文官方复现：多尺度时序分解 + DyT 门控 + MatMul-free 三值层 + 层级 KAN 前馈 | PyTorch · 59 tests / 96% cov · 9-job cross-OS CI |
| 🚀 Spaceship-Titanic | Kaggle 五模型集成（LGB / XGB / CatBoost / HGB / LR）+ 防泄漏目标编码 + logloss 加权融合 | Optuna · honest CV 0.8170 |
| ⏱️ Screen-Time-Tracker | iOS 风格的 Windows 屏幕使用时间桌面应用：空闲检测、通知统计、托盘常驻 | PySide6 / Qt · SQLite · 单文件 exe |
| 🤖 TimeMate / iOS 端 | 面向独立开发者的 AI 驱动时间管理工具：番茄钟、日历规划、AI 聊天助手、专注力分析 | React + TypeScript · FastAPI · Zustand |
2026 NeuroGolf Championship：为每个 ARC-AGI 任务设计最小的神经网络，评分
max(1, 25 − ln(memory + params))。
- 200 / 400 任务已解（赛程过半），Kaggle 公榜 2704.10，与本地洁净室评分器完全一致
- 150+ 个手工构建的 ONNX 计算图求解器（不训练、纯构造）：从颜色重映射、形状感知旋转，到纯 ONNX 实现的连通域洪泛（
-MaxPool(-V)最小值洪泛）、逐通道批量 MatMul 移位矩阵、腐蚀-膨胀块分离、运行时反射 / 步长采样 - 完整工程化：284 个单元测试、每个求解器先用 numpy 验证 100% 再构图、CI + 本地评分器对齐到 ±0.01
阿里移动电商真实用户行为数据上的移动推荐算法（天池 231522）。
- 双塔（用户塔 + 商品塔）+ Transformer 行为序列编码器，BCE 主损失 + 可选 InfoNCE in-batch 对比损失
- 11 维用户 / 7 维商品稠密特征自动工程，
popularity负采样（word2vec α=0.75 平滑） - 零泄漏推理：候选集严格不偷看预测日，反泄漏测试覆盖；提交文件格式完全对齐竞赛规范
- 97 个测试，99.1% 行+分支覆盖率，CPU ~18s 全跑通
A KAN-based Transformer learning network for building energy consumption prediction 的完整可复现实现。
- 四类建筑（办公 / 住宅 / 商业 / 工业）多步小时级能耗预测，能耗 + 5 个外生特征
- 多尺度时序分解（趋势 / 季节 / 周 / 日 / 短期）→ Dynamic Transformer（学习门控残差
Y = αX + βF(X)）→ MatMul-free 三值层（{-1,0,+1}自适应阈值 + STE）→ 层级 KAN 前馈（B-spline，128→256→128） - 10 种对比方法完整消融（Table 1 复现），59 tests / 96% cov，Linux/Windows/macOS × Python 3.10-3.12 九路 CI
- Screen-Time-Tracker：Windows 桌面端「屏幕使用时间」——键鼠空闲检测、进程级前后台统计、读取系统通知数据库、iOS 风格 PySide6 面板、SQLite 历史（今日/本周/本月）、系统托盘常驻、PyInstaller 单文件分发
- TimeMate（Web）/ TimeMate-iOS：AI 驱动时间管理——React + TypeScript + Zustand 前端（日历 / 番茄钟 / AI 聊天 / 分析组件），FastAPI + SQLAlchemy 后端，面向拖延、专注力保护、时间规划三大痛点
📄 A KAN-based Transformer learning network for building energy consumption prediction Zikuan Qi — University of Sydney, International Conference (2025) 👉 官方代码复现：Enhancing-Building-Energy-Prediction
- 🎮 2021 — 悉尼大学本科：Python 课程作业 Rover_game、分布式系统（COMP3221）起步
- 📚 2020–2023 — 系统自学：深度学习（PyTorch / Paddle / EfficientNet / timm）、Linux / Shell / Nginx / Ansible、数据结构与算法
- 🏅 2024–2025 — 竞赛与论文：天池移动推荐（⭐26）、Kaggle Spaceship Titanic、KAN-Transformer 会议论文 + 官方复现
- 🧩 2026 — ARC-AGI 神经求解（NeuroGolf 200/400）+ AI 生产力工具（TimeMate / Screen-Time-Tracker）
- 📧 Email · 邮箱：ziqi5454@uni.sydney.edu.au
- 🏅 Kaggle：Zikuan Qi
- 🐙 GitHub：github.com/zikuanqi
⭐️ 如果我的项目对你有帮助，欢迎给个 Star · Thanks for stopping by! ⭐️