近日，数据库、数据挖掘及内容检索领域权威会议“知识发现与数据挖掘大会”（KDD），计算机体系结构、并行与分布计算及存储系统领域权威会议“文件和存储技术大会”（FAST），人工智能领域国际权威会议“人工智能促进会”（AAAI）公布了2025年论文录用结果。北京工业大学计算机学院捷报频传，计算机科学与技术系冀俊忠教授团队、方娟教授团队4篇论文分别被KDD 2025、FAST2025和AAAI 2025录用，第一作者分别为北工大学生熊雯、周文斌、何思成和青年教师张晓丹，通讯作者分别为刘金铎、王茜、雷名龙、冀俊忠。

论文“Brain Effective Connectivity Estimation via Fourier Spatiotemporal Attention”被KDD2025录用，展示了团队在脑效应连接网络学习领域的最新研究成果。现有的脑效应连接学习方法，通常采用分离的方式提取功能磁共振成像（fMRI）数据的时间依赖和空间特征，忽略了现实世界中fMRI数据统一的时空相关性。此外，fMRI数据中的高噪声水平进一步限制了现有方法的提升空间。针对上述问题，论文提出一种基于傅里叶时空注意力的脑效应连接学习方法(Fourier spatiotemporal attention,FSTA-EC)，实现时间特征与节点间空间关系的深度融合。在模拟数据和真实数据集上的实验结果表明，该方法在脑效应连接学习及其下游任务（脑疾病诊断）中均表现出优异性能。

论文“3L-CACHE: Low Overhead and Precise Learning-based Eviction Policy for Web Caches”被FAST2025录用，展示了团队在缓存领域的最新研究成果。该成果针对学习类缓存驱逐策略因计算开销过高而在生产系统难部署的问题，提出了3L-Cache这种低开销且低丢失率的学习类驱逐策略。该研究成果首次发现对象级学习策略在实现最低字节丢失率、对象丢失率的同时，存在减少计算开销的巨大空间，并由此提出一种训练数据采集方法，通过滤掉不必要的历史缓存请求实现训练频率的动态调整，且不影响训练准确性。此外，还提出一种对象驱逐方法以显著降低预测开销；设计一个参数自动调整模块，增加3L-Cache对于不同trace的泛用性。经过测试评估，3L-Cache驱逐策略性能表现优异。

论文“Decomposed Spatio-Temporal Mamba for Long-Term Traffic Prediction”被AAAI 2025录用，展示了团队在交通预测领域的最新研究成果。论文针对当前长时交通预测领域存在的时空关系建模不足、计算效率不高问题，提出了一种基于解耦Mamba的交通预测方法。该方法结合空间双向Mamba与时间线性模型提取周期性、趋势性时空信息，有效建模交通数据中的长距离时空依赖，并维持较高的计算效率。多个交通数据集的实验结果验证了该模型的有效性。

论文“MEPNet: Medical Entity-balanced Prompting Network for Brain CT Report Generation”被AAAI 2025录取，展示了团队在医学报告自动生成领域的最新研究成果。自动生成脑CT诊断报告可辅助医生诊断颅脑疾病，具有重要的研究意义和应用价值。由于不同医学实体在视觉分布上存在显著差异，导致模型难以均衡地学习多样的病理信息。针对这一问题，论文提出了一种面向脑CT报告自动生成任务的医学实体平衡提示网络（MEPNet）。该方法通过引入医学实体的视觉嵌入和学习状态作为辅助线索，引导大型语言模型（LLM）平衡地学习多样的医学实体，从而有效提升脑CT报告的生成质量。在多个脑CT报告生成基准数据集上的实验表明，利用该方法生成的报告在临床准确性和文本连贯性上具有显著效果。

KDD是数据库、数据挖掘及内容检索领域顶级会议之一，FAST是计算机体系结构、并行与分布计算及存储系统领域顶级会议之一，AAAI是人工智能领域国际顶级会议之一，均为CCF-A类推荐会议，具有较高国际影响力。计算机学院多项研究成果被录用，展现了学院在这些领域的研究水平和实力。学院将以此为激励，继续聚焦行业前沿、企业需求开展有组织科研，为培养高素质创新型拔尖人才作出积极贡献。

文章来源：北京工业大学