您当前所在的位置: 网站首页 -> 学术科研 -> 正文

【科学研究】计算机科学与技术系在国际顶级会议IJCAI2024发表多项工作成果

发布日期:2024-04-22   来源:   点击量:

计算机科学与技术系在国际顶级会议IJCAI2024发表多项工作成果 

近日,第33届人工智能领域国际顶级学术会议国际人工智能联合会议” International Joint Conference on Artificial Intelligence (IJCAI) 公布了2024年论文录用结果。计算机科学与技术系吕庚育、杨震教授团队,刘金铎、冀俊忠教授团队三篇论文被IJCAI 2024录用,第一作者分别为我系本科生周子渔,校聘教授吕庚育、刘金铎。

论文《SDformer: Transformer with Spectral Filter and Dynamic Attention for Multivariate Time Series Long-term Forecasting》展示了团队在多变量时间序列预测领域的最新研究成果。时间序列在人类的生产生活中无处不在,一直是数据挖掘领域重要的研究议题。针对以往Transformer模型在建模具有大量变量的时间序列时出现的注意力失效问题,团队提出了一种改进版的Encoder架构“SDformer”,有效解决了以变量Token进行嵌入时出现的注意力图行同质化的问题。丰富的实验证明SDformer在多变量时间序列的长期预测任务上取得了优越的性能,对模型的深入分析也证明了SDformer模块化设计的有效性、模型整体的鲁棒性以及轻量性。

论文《Common-Individual Semantic Fusion for Multi-View Multi-Label Learning》展示了团队在多视图融合与分类领域的最新研究成果。该论文提出一种基于共识性-特异性语义融合的多视图多标签学习方法(CISF),与以往的特征级多视图融合模型不同,该方法直接关注语义级视图融合,同时考虑不同视图间的共识性语义和每个视图的特异性语义,进而实现跨视图信息的高效融合和精准分类。该方法在多个数据集上达到SOTA性能。

论文《Concept-level Causal Explanation Method for Brain Function Network Classification》展示了团队在脑网络分类领域的最新研究成果。该论文提出了一种面向深度学习脑网络分类的概念级因果解释方法(CLCEM)。该方法能够利用深度学习分类模型的输入层特征与隐藏层特征之间的因果关系,从脑网络中提取各个脑区的概念,并基于这些概念对模型的决策逻辑做出合理的解释,进而增强分类模型的可解释性。实验结果表明,本文所提方法在不损失分类性能的前提下,不仅能够准确地识别与特定人脑精神疾病相关的脑区,而且能够解释模型的决策过程,有效地增强分类模型的可解释性。该研究有助于提升深度学习脑网络分类模型在脑疾病计算机辅助诊断中的应用潜力。

IJCAI是全球人工智能领域顶级国际会议,也是人工智能领域的CCFA类推荐会议