我所两篇论文分别被人工智能领域顶级国际会议AAAI 2020和IJCAI 2020录用

发布时间：2020年5月7日

      近日，由我研究所老师和同学合作完成的两篇论文，被人工智能领域顶级国际会议AAAI 2020和IJCAI 2020录用。

      论文1：Spatial-Temporal Synchronous Graph Convolutional Networks: A New Framework for Spatial-Temporal Network Data Forecasting.

      第34届国际人工智能会议（AAAI-2020）于2019年11月11日发布了论文录用结果，由我所师生共同完成的一篇关于时空同步图卷积的论文被大会录用。

      AAAI (The AAAI Conference on Artificial Intelligence) 是人工智能领域的顶级国际学术会议，每年举办一次。AAAI-2020大会投稿数量达7737篇，录取率为20.6%。

      我所被录用的论文题为Spatial-Temporal Synchronous Graph Convolutional Networks: A New Framework for Spatial-Temporal Network Data Forecasting，由硕士生宋超、博士生郭晟楠和林友芳、万怀宇两位老师合作完成。

      该论文以时空网络预测为研究目标。过去的研究方法一般采用一个空间组件捕获空间依赖性，一个时间组件捕获时间关联性。但时空网络中还存在着同时跨越时空两个维度的时空关联性。该文提出了时空同步图卷积网络使用一种组件对上述三种性质同时捕获，同时利用多组件的方法对时空网络中的时空异质性进行建模，在美国加州的高速公路数据集PeMS的4个子集上表现出了优越的效果，超越了本领域的其他模型。

      针对空间依赖性、时间关联性和时空关联性的同时捕获，该文提出了构建局部时空图的方法。局部时空图将每个结点与前后两个时间步的自身结点相连。在局部时空图中，上述三种性质可以直接通过一阶邻居和二阶邻居关系体现。

局部时空图及其邻接矩阵示意图

      在局部时空图上通过多层图卷积即可捕获局部时空网络上的空间依赖性、时间关联性和时空关联性。该文提出了时空同步图卷积方法和时空同步图卷积模块，用来实现对上述性质的捕获。

时空同步图卷积模块示意图

       由于每个局部时空图只包含3个时间步的信息，该文采用滑动窗的方式对原始时空网络序列进行切分，别分配独立的时空同步图卷积模块，使得每个模块专注于自己负责的那部分局部网络上的时空关联关系。最后采用堆叠的方式构成了时空同步图卷积网络。

时空同步图卷积网络示意图

       此外，该文还引入了时空嵌入表示和自适应邻接矩阵解决时空同步图卷积方法难以对结点属性和结点关系的差异性建模的问题。

      论文2：GraphSleepNet: Adaptive Spatial-Temporal Graph Convolutional Networks for Sleep Stage Classification

      第29届国际人工智能联合会议（IJCAI-2020）于2020年4月20日发布了论文录用结果，由我所师生共同完成的一篇关于自适应时空图卷积的论文被大会录用。

      IJCAI (International Joint Conference on Artificial Intelligence) 是人工智能领域的顶级国际学术会议，每年举办一次。IJCAI -2020大会投稿数量达4717篇，录取率为12.6%，创历史新低。

      我所被录用的论文题为GraphSleepNet: Adaptive Spatial-Temporal Graph Convolutional Networks for Sleep Stage Classification，由博士生贾子钰和林友芳、王晶两位老师合作完成。

      该论文以时空睡眠脑电数据的高精度分类为研究目标。睡眠阶段分类对于睡眠评估和疾病诊断至关重要，但是如何有效利用大脑的空间特征和睡眠阶段之间的转换信息仍然具有挑战。由于人类对人脑的认知是有限的，因此为睡眠阶段分类预定义合适的空间脑连接结构仍然是一个难题。论文提出了一种新颖的深度图神经网络GraphSleepNet进行自动睡眠阶段分类。该模型将脑连接结构学习与时空图卷积集成于统一的框架，并首次应用于自动睡眠分类领域，在大型MASS数据集的实验表明GraphSleepNet优于该领域的其他模型。

GraphSleepNet总体模型架构图

          GraphSleepNet的总体模型架构如图所示，包括三个关键点：

          1）该模型能够表示节点之间的功能连接关系并动态构造邻接矩阵（脑连接网络）。

          2）该模型利用空间图卷积和时间卷积提取睡眠脑电信号的空间特征和时间特征。

          3）该模型采用时空注意机制自动捕获更有价值的时空信息进行高精度分类。

       恭喜以上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。