网上投注信誉-网上投注买码群-大发888娱乐场游戏下载

南大新聞

我校數(shù)學(xué)與計(jì)算機(jī)學(xué)院段文影博士首次在數(shù)據(jù)挖掘頂級(jí)會(huì)議KDD 2023上發(fā)表論文

作者:數(shù)學(xué)與計(jì)算機(jī)學(xué)院時(shí)間:2023-09-22
攝影 數(shù)學(xué)與計(jì)算機(jī)學(xué)院 單位
  

本網(wǎng)訊(數(shù)學(xué)與計(jì)算機(jī)學(xué)院)近日,我校數(shù)學(xué)與計(jì)算機(jī)學(xué)院段文影博士的論文“Localised Adaptive Spatial-Temporal Graph Neural Network”被第29屆國(guó)際知識(shí)發(fā)現(xiàn)與數(shù)據(jù)挖掘大會(huì)(ACM SIGKDD Conference on Knowledge Discovery and Data Mining,以下簡(jiǎn)稱(chēng)KDD 23)接收并正式出版。該論文由南昌大學(xué)、澳門(mén)大學(xué)、香港城市大學(xué)與蘇黎世聯(lián)邦理工大學(xué)共同完成,論文由南昌大學(xué)段文影博士擔(dān)任第一作者,澳門(mén)大學(xué)何曉溪助理教授擔(dān)任通訊作者,香港城市大學(xué)周子慕助理教授,歐洲科學(xué)院院士、蘇黎世聯(lián)邦理工大學(xué)前副校長(zhǎng)Lothar Thiele教授和南昌大學(xué)軟件學(xué)院饒泓教授為共同作者、南昌大學(xué)為第一署名單位,這也是南昌大學(xué)首次在該會(huì)議上發(fā)表論文。

KDD會(huì)議始于1989年,是數(shù)據(jù)挖掘領(lǐng)域歷史最悠久、影響最大的頂級(jí)學(xué)術(shù)年會(huì),也是中國(guó)計(jì)算機(jī)學(xué)會(huì)推薦會(huì)議的A類(lèi)會(huì)議(CCF-A)。KDD廣泛的交叉學(xué)科性和應(yīng)用性吸引了來(lái)自統(tǒng)計(jì)、機(jī)器學(xué)習(xí)、數(shù)據(jù)庫(kù)、萬(wàn)維網(wǎng)、生物信息學(xué)、多媒體、自然語(yǔ)言處理、人機(jī)交互、社會(huì)網(wǎng)絡(luò)計(jì)算、高性能計(jì)算及大數(shù)據(jù)挖掘等眾多領(lǐng)域的研究者,為來(lái)自學(xué)術(shù)界、企業(yè)界和政府部門(mén)的相關(guān)人員提供了一個(gè)學(xué)術(shù)交流和成果展示的理想場(chǎng)所。該論文在美國(guó)長(zhǎng)灘舉辦的KDD23會(huì)議上進(jìn)行了口頭報(bào)告,實(shí)現(xiàn)了南昌大學(xué)計(jì)算機(jī)學(xué)科在學(xué)術(shù)研究和學(xué)科建設(shè)的新突破,進(jìn)一步擴(kuò)大了南昌大學(xué)計(jì)算機(jī)學(xué)科的國(guó)際影響力。

該論文聚焦自適應(yīng)時(shí)空?qǐng)D神經(jīng)網(wǎng)絡(luò)的計(jì)算復(fù)雜度問(wèn)題,首次提出了本地化時(shí)空?qǐng)D神經(jīng)網(wǎng)絡(luò)這一概念,通過(guò)引入稀疏性實(shí)現(xiàn)了本地化時(shí)空?qǐng)D神經(jīng)網(wǎng)絡(luò),并驗(yàn)證了圖結(jié)構(gòu)階段(訓(xùn)練或預(yù)測(cè))的作用(如下圖所示)。

具體來(lái)說(shuō),模型的圖自適應(yīng)學(xué)習(xí)模塊同時(shí)學(xué)習(xí)兩個(gè)矩陣,一個(gè)為表示圖結(jié)構(gòu)的鄰接矩陣,另一個(gè)為掩碼矩陣,兩者尺寸相同。整體的算法流程如下圖所示,在稀疏化之前,會(huì)進(jìn)行正常的時(shí)空?qǐng)D神經(jīng)網(wǎng)絡(luò)預(yù)訓(xùn)練,然后遞歸地對(duì)邊進(jìn)行剪枝。

論文的實(shí)驗(yàn)結(jié)果發(fā)現(xiàn),稀疏度達(dá)到99%以上,在推理階段對(duì)模型的性能并無(wú)影響,甚至完全本地化,即稀疏度達(dá)到100%,模型退化成純時(shí)間序列建模,模型性能也未有明顯損失。通過(guò)對(duì)實(shí)驗(yàn)結(jié)果的分析,論文認(rèn)為,在大部分時(shí)空預(yù)測(cè)數(shù)據(jù)集中,數(shù)據(jù)之間的空間關(guān)系是包含在時(shí)間序列中的,因此在推理階段可以丟棄空間信息。但是在訓(xùn)練階段,引入空間信息可以幫助模型更好地收斂,得到泛化性能更強(qiáng)的模型。

論文鏈接:https://doi.org/10.1145/3580305.3599418



編  輯:涂金鳳

責(zé)任編輯:許 航