AAAI 2024录用论文合集，包含图神经网络、时间序列、多模态、异常检测等热门研究方向

AAAI是国际顶级人工智能学术会议，属于CCF A类，在人工智能领域享有盛誉。今年的AAAI 会议投稿量突破了历史记录，共有12100篇投稿（主赛道），最终录用2342篇，录用率为23.75%。对比前几年有了很大的提升：

本次AAAI 2024会议将于2024年2月20日至27日在加拿大温哥华会议中心举行。大家可以期待下~

另外，为了帮同学们提前领略学术前沿趋势，了解大佬们的最新想法，我就先整理了一部分AAAI 2024已录用论文来和大家分享，目前共有29篇，涉及图神经网络、时间序列、多模态、异常检测等热门研究方向。完整的论文录用清单也给整理啦。

也欢迎中稿的同学在评论区分享~

全部论文及录用清单看文末

图神经网络

HGPROMPT: Bridging Homogeneous and Heterogeneous Graphs for Few-shot Prompt Learning

为少数提示学习搭建同质和异质图之间的桥梁

「简述：」图神经网络（GNNs）和异质图神经网络（HGNNs）是用于图数据的重要技术。但它们通常需要大量任务特定的监督数据，这很昂贵。为了降低成本，我们通常会使用预训练模型，但预训练模型和下游任务之间可能存在差距。为了解决这个问题，作者提出了一个名为HGPROMPT的新框架。这个框架不仅可以统一预训练和下游任务，还可以统一同质和异质图。作者还引入了双提示来帮助下游任务找到最相关的先验知识，从而弥合由于特征变化和任务之间的异质性差异所造成的差距。

Fine-tuning Graph Neural Networks by Preserving Graph Generative Patterns

通过保留图生成模式微调图神经网络

「简述：」最近，图神经网络（GNNs）的预训练和微调在很多图挖掘任务中很受欢迎。但这种方法的成功主要依赖于预训练和下游数据集之间的结构一致性，这在真实场景中很难实现。现有的微调方法在结构上有很大差异，导致模型在预训练数据上过拟合，无法很好地适应下游数据。为了解决这个问题，作者深入研究了结构差异的根本原因，发现是预训练和下游图之间的生成模式不一致。因此，作者提出了一种新的方法G-TUNING，旨在保留下游图的生成模式。这种方法的核心思想是调整预训练的GNN，使其能够重构下游图的生成模式。

Rethinking Causal Relationships Learning in Graph Neural Networks

重新思考图神经网络中的因果关系学习

「简述：」图神经网络（GNNs）能有效地建模图结构数据的复杂关系，但在捕捉因果关系方面还有所欠缺。为了从因果学习的角度全面分析各种GNN模型，作者构建了一个具有已知和可控数据与标签之间因果关系的合成数据集。通过理论基础进一步确保了生成数据的合理性。从数据集的分析中，作者提出了一种轻量级且高度可适应的GNN模块，旨在加强GNNs在各种任务中的因果学习能力。通过在合成数据集和其他真实数据集上的一系列实验，验证了所提出模块的有效性。

多模态相关

MmAP : Multi-modal Alignment Prompt for Cross-domain Multi-task Learning

跨域多任务学习中的多模态对齐提示

「简述：」多任务学习是一种训练多个相关任务的方法，以提高单个任务的表现。传统的多任务学习需要为每个任务单独训练解码器，这会增加模型的复杂性。为了解决这个问题，作者使用了一个名为CLIP的模型，它可以在不使用解码器的情况下进行训练。作者提出了一种新的多模态对齐提示（MmAP），它可以在微调过程中对齐文本和视觉模态。作者还开发了一个创新的多任务提示学习框架，该框架可以最大化高度相似任务的互补性，同时保留每个任务的独特特征。

LAMM: Label Alignment for Multi-Modal Prompt Learning

多模态提示学习中的标签对齐

「简述：」LAMM是一种创新的标签对齐方法，旨在解决预训练视觉语言模型（如CLIP）与下游任务之间的类别标签表示的差距。该方法通过端到端训练动态调整下游数据集的类别嵌入，并提出了层次损失来更恰当地分布标签。实验表明，与现有方法相比，LAMM在少量样本场景下显著提高了性能，并具有协同作用，可与其他提示调优方法相结合进一步提高性能。

时间序列

Learning from Polar Representation: An Extreme-Adaptive Model for Long-Term Time Series Forecasting（预测）

一种用于长期时间序列预测的极端自适应模型

「简述：」在水利学中，预测长期径流非常重要，但这是一项复杂的任务，因为涉及到极端事件。现有的方法很难同时处理长期依赖和极端值。作者提出了一种新的模型，名为Distance-weighted Auto-regularized Neural network (DAN)，它结合了极性表示学习，可以更好地预测长期径流。DAN利用了距离加权的多元损失机制和可堆叠块，能更好地处理外部数据和单变量时间序列。在四个真实的水文径流数据集上，DAN的表现明显优于其他最先进的方法。

CGS-Mask: Making Time Series Predictions Intuitive for All（预测）
Graph Contextual Contrasting for Multivariate Time Series Classification（分类）
Diffusion Language-Shapelets for Semisupervised Time-series Classification（分类）
When Model Meets New Normals: Test-time Adaptation for Unsupervised Time-series Anomaly Detection（时序异常检测）
CUTS+: High-dimensional Causal Discovery from Irregular Time-series（不规则时序）
IVP-VAE: Modeling EHR Time Series with Initial Value Problem Solvers（时序建模）
SimPSI: A Simple Strategy to Preserve Spectral Information in Time Series Data Augmentation（时序数据增强）

时空数据

Fully-Connected Spatial-Temporal Graph for Multivariate Time Series Data

多变量时间序列数据的全连接时空图

「简述：」论文提出了一种名为FC-STGNN的全连接时空图神经网络方法，用于多变量时间序列数据的建模。该方法包括两个关键组件：FC图构建和FC图卷积。在图构建方面，作者设计了一种基于时间距离的衰减图来连接所有时间戳中的传感器，以考虑不同时间戳中不同传感器之间的相关性，从而全面建立ST依赖关系。此外，作者还设计了具有移动池化GNN层的FC图卷积，以有效捕捉ST依赖关系并学习有效的表示。大量实验表明，FC-STGNN在多个MTS数据集上比现有方法更有效。

Earthfarsser: Versatile Spatio-Temporal Dynamical Systems Modeling in One Model

一种多功能时空动力系统建模方法

「简述：」论文提出了一种名为EarthFarseer的简洁框架，结合了并行局部卷积和全局傅里叶变换器架构，能够动态捕捉局部-全局空间交互和依赖关系。EarthFarseer还采用了多尺度全卷积和傅里叶架构，以高效有效地捕捉时间演化。该方案在不同任务和数据集上表现出强大的适应性，具有快速收敛和在长时间步预测中更好的局部保真度。在八个人类社会物理和自然物理数据集上的大量实验和可视化表明，EarthFarseer具有最先进的性能。

Urban Region Embedding via Multi-View Contrastive Prediction

通过多视图对比预测实现城市区域嵌入

「简述：」论文提出了一种多视角对比预测模型ReCP，用于城市区域嵌入。该模型利用来自兴趣点（POI）和人类移动数据的两个主要信息视图来学习一致的表示形式。具体而言，ReCP包括两个主要模块：一个使用对比学习和特征重建的 intra-view 学习模块，以捕捉每个单独视图的独特信息；以及一个 inter-view 学习模块，使用对比预测学习方案感知两个视图之间的一致性。实验结果表明该模型在城市区域表示学习方面优于现有方法。

异常检测

VadCLIP: Adapting Vision-Language Models for Weakly Supervised Video Anomaly Detection

将视觉语言模型应用于弱监督视频异常检测

「简述：」VadCLIP是利用对比语言-图像预训练（CLIP）模型进行弱监督视频异常检测的新方法。它通过直接利用冻结的CLIP模型，无需预训练和微调，简化了模型适应过程。与现有方法不同，VadCLIP充分利用CLIP在视觉和语言之间的精细关联，采用双分支结构。一个分支进行粗粒度二分类，另一个分支则充分利用语言-图像对齐进行细粒度分析。通过双分支结构，VadCLIP实现了从CLIP到WSVAD任务的迁移学习，实现了粗粒度和细粒度的视频异常检测。

DiAD: A Diffusion-based Framework for Multi-class Anomaly Detection

基于扩散的多类别异常检测框架

「简述：」基于重建的方法在异常检测中取得了显著成果。最近流行的扩散模型具有出色的图像重建能力，激发了研究如何利用它们增强异常图像重建的工作。然而，这些方法在更实际的多元设置中，可能会面临与保留图像类别和像素级结构完整性相关的挑战。为了解决上述问题，作者提出了一个用于多元异常检测的基于扩散的异常检测（DiAD）框架，该框架包括像素空间自编码器、潜在空间语义引导网络和特征空间预训练的特征提取器。通过重建异常区域并保留原始图像语义信息、引入空间感知特征融合块以及使用预训练的特征提取器生成异常图等方法，实现了在多类别数据集上优于现有方法的异常检测效果。