近日，我院段文影博士的论文“Localised Adaptive Spatial-Temporal Graph Neural Network”被第29届国际知识发现与数据挖掘大会（ACM SIGKDD Conference on Knowledge Discovery and Data Mining，以下简称KDD 23）接收并正式出版。该论文由南昌大学、澳门大学、香港城市大学与苏黎世联邦理工大学共同完成，论文由南昌大学段文影博士担任第一作者，澳门大学何晓溪助理教授担任通讯作者，香港城市大学周子慕助理教授，欧洲科学院院士、苏黎世联邦理工大学前副校长Lothar Thiele教授和南昌大学软件学院饶泓教授为共同作者、南昌大学为第一署名单位，这也是南昌大学首次在该会议上发表论文。

KDD会议始于1989年，是数据挖掘领域历史最悠久、影响最大的顶级学术年会，也是中国计算机学会推荐会议A类会议（CCF-A）。KDD广泛的交叉学科性和应用性吸引了来自统计、机器学习、数据库、万维网、生物信息学、多媒体、自然语言处理、人机交互、社会网络计算、高性能计算及大数据挖掘等众多领域的研究者，为来自学术界、企业界和政府部门的相关人员提供了一个学术交流和成果展示的理想场所。该论文于美国长滩举办的KDD23会议上进行了口头报告，实现了南昌大学计算机学科在学术研究和学科建设的新突破，进一步扩大了南昌大学计算机学科的国际影响力。

该论文聚焦自适应时空图神经网络的计算复杂度问题，首次提出了本地化时空图神经网络这一概念，通过引入稀疏性实现了本地化时空图神经网络，并验证了图结构阶段（训练或预测）的作用（如下图所示）。

具体来说，模型的图自适应学习模块同时学习两个矩阵，一个为表示图结构的邻接矩阵，另一个为掩码矩阵，两者尺寸相同。整体的算法流程如下图所示，在稀疏化之前，会进行正常的时空图神经网络预训练，然后递归地对边进行剪枝。

论文的实验结果发现，稀疏度达到99%以上，在推理阶段对模型的性能并无影响。甚至完全本地化，即稀疏度达到100%，模型退化成纯时间序列建模，模型性能也未有明显损失。通过对实验结果的分析，论文认为：在大部分时空预测数据集中，数据之间的空间关系是包含在时间序列中的，因此在推理阶段可以丢弃空间信息。但是在训练阶段，引入空间信息可以帮助模型更好的收敛，得到泛化性能更强的模型。

论文链接：https://doi.org/10.1145/3580305.3599418