摘要：图神经网络(graph neural network,GNN)是处理图结构数据的强大工具,能够捕捉节点间的复杂关系和特征.但GNN的离散架构导致其在表示图结构、建模图演化、适应不规则数据和计算开销等方面面临诸多挑战.面对这些挑战,神经常微分方程(ordinary differential equation,ODE)由于能够模拟系统状态的连续变化,具备“连续深度”的编码和推断能力,被作为解决GNN面临挑战的全新方法而引入.然而,神经ODE是为欧式结构数据设计的,无法直接捕捉图结构特性.因此,提出了图神经ODE,一种将神经ODE与GNN结合的新架构,可以更好地适应图结构数据并充分利用其特性.近年来,图神经ODE相关研究已经深入到图机器学习的各个方向中,引发了新的研究热潮.在此背景下,适时地对图神经ODE研究前沿进行了系统性综述.首先,回顾了GNN的关键优势和面临的诸多挑战,阐述了引入神经ODE并与GNN结合的理论基础和实践意义.随后,详细介绍了图神经ODE的背景和基本概念,并提出了一种新颖的分类方法,在此基础上对当前的相关方法进行了全面描述.然后,介绍了相关研究常用的验证方法,包括下游任务及数据集.进一步,深入探讨了图神经ODE在多个实用领域上的应用.最后,对图神经ODE面临的挑战和未来发展趋势进行了总结和展望.

摘要：流程工业中涉及多个复杂设备的耦合,独立设备模型无法有效指导实际生产;纯数据驱动模型常因面临分布外泛化问题,难以体现良好的数据效率和泛化能力。对此,针对浮选这一典型的流程工业系统,提出了一种物理先验指导的神经微分方程模型,该模型考虑设备间耦合关系和全局特征,利用物理先验对神经微分方程进行重构,以建模可感知环境的单智能体。所提模型由序列编码器、插值模块、神经微分方程预测模块和状态解码器构成,并基于物理先验设计了神经微分方程的梯度网络计算图结构。将多智能体模型按照实际工序拓扑建立不同体系,可以实现浮选全流程的长时液位预测,并作为在线仿真环境协助实现多智能体协同控制。使用从浮选厂采集的工业数据集对该模型进行了验证,结果表明,与离散时间模型和未借助物理信息重构梯度网络的基线模型相比,所提模型具有更优的数据效率和泛化能力。

摘要：可解释的准确预测PM_(2.5)浓度变化可以有助于人类规避暴露风险,对人类健康风险评估和政策实施具有重要意义。目前已有PM_(2.5)浓度预测模型过多专注于提升模型预测精度,但忽略了模型的可解释性,造成模型可复用性和可信任度较差。鉴于此,本文提出了一种兼顾模型预测精度与模型可解释性的注意力时空常微分方程模型(Attentional SpatioTemporal Ordinary Differential Equation,ASTODE)用于PM_(2.5)浓度预测任务。具体而言,本文将神经常微分方程集成至PM_(2.5)浓度预测任务中,以提升预测模型的可解释性。此外,针对传统神经常微分方程难以挖掘PM_(2.5)浓度数据中空间依赖关系的挑战,本文提出了一种新颖时空导数网络将传统神经常微分方程扩展到了时空常微分方程。针对传统神经常微分方程难以挖掘PM_(2.5)浓度数据中长期依赖关系的挑战,本文设计了一种时空注意力机制去融合多个时间节点的隐藏状态。本文采用真实的PM_(2.5)浓度数据集对提出的ASTODE模型进行了验证。实验结果表明,ASTODE模型不仅在预测精度上优于或逼近于存在的6个基线方法,并且在可视化的视角下具有良好的可解释性。