喜报 | 我所两篇论文被人工智能领域顶会AAAI 2023录用

发布时间：2022年11月22日

      近日，人工智能国际会议AAAI 2023公布录用结果，由我所师生共同完成的2篇论文被大会录用。 AAAI是CCF推荐的A类国际学术会议。本次AAAI 2023一共有8777篇投稿，录用1721篇，录用率19.6%。此次我所被录用的论文的相关信息如下：

      论文1：Contrastive Pre-training with Adversarial Perturbations for Check-in Sequence Representation Learning

      该论文由我所硕士生贡乐天在郭晟楠、万怀宇和林友芳老师的指导下完成。

      挖掘用户移动规律的核心基础问题之一是学习用户签到打卡序列的表示，以充分捕获用户的宏观时空移动模式和其中的高层次语义性。然而，现有的用户签到打卡序列表示学习通常通过为特定下游任务设计的端到端模型实现，泛化能力不理想，性能不佳。为此，我们提出了一种基于对抗性扰动的对比预训练模型（CSCSR）。我们设计了一种新颖的时空增强块，用于扰乱潜在空间中打卡序列的时空特征，缓解了模型性能对人工设计数据增强方法的依赖。并且，我们通过对抗训练为打卡序列生成“困难”正负样例，使得模型能够捕捉到用户签到打卡序列的宏观时空模式和高层次语义性。三个公开数据集上的实验结果证明了所提出方法的优越性。

      论文2：GMDNet: A Graph-based Mixture Density Network for Estimating Packages’ Multimodal Travel Time Distribution

      该论文由我所博士生毛潇苇、温浩珉和万怀宇老师、郭晟楠老师、林友芳老师以及阿里吴凡、郑建滨、强玉庭、吴黎霞、胡浩源合作完成。

      物流网络中，准确预测包裹的到达时间分布对消费者和平台都具有重要的意义，尽管最近的研究在路网中的到达时间或到达时间分布预测上已取得较好的效果，但这些方法不能很好地应用于预测物流网络中包裹的到达时间分布。因为物流网络中的到达时间分布预测需要在捕获物流网络中复杂时空相关性的同时建模包裹的多峰到达时间分布。为此，本文通过研究物流网络中包裹的到达时间分布，为研究基于图结构数据的多峰到达时间分布提供了参考。本文提出了一种基于图的混合密度网络，整合图神经网络和混合密度网络来预测输入为图结构数据的多峰到达时间分布。此外，本文在训练过程中使用EM框架以保证局部收敛，从而取得相比于梯度下降算法更稳定的结果。最后，通过两个真实数据集的大量实验证明了提出方法的有效性。

      恭喜以上老师和同学在科研中取得优秀的成果，也希望同学们能够再接再厉，继续在科研的道路上不断前行，取得更多优异的成果。