【活动通知】SFFAI111×CRIPAC 图神经网络专题

SFFAI 合作机构 CRIPAC 简介

智能感知与计算研究中心（www.cripac.ia.ac.cn）为中科院自动化研究所独立建制的科研部门，致力于研究泛在智能感知理论与技术以及与之相伴的海量感知数据的智能分析与处理。瞄准国际学科前沿，面向国家公共安全、智能产业发展等重大战略需求，着眼于基础理论创新与关键技术突破以及系统解决方案的研制，努力打造成为国际一流的研究中心，是集人才培养、技术创新、产业孵化为一体的创新平台。中心目前主要在多模态智能计算、生物识别与安全、生物启发的智能计算、智能感知基础理论四个方面展开科学研究。

会议内容

会议简介

了解交通轨迹的行为对自主驾驶系统至关重要，尤其是在拥挤和复杂的交通场景中的安全导航。在这些场景中，准确的轨迹预测不仅可以帮助自动驾驶车辆做出明智的决定，安全地规划其未来的运动，还可以帮助监控系统检测到异常行为。本期SFFAI论坛我们邀请到了来自北京大学的曹德福同学，分享他利用图神经网络中的频域信息，进行交通轨迹预测的工作。

讲者介绍

曹德福，北京大学信息科学技术学院硕士，主要研究方向为数据挖掘，人工智能。目前已在NeurIPS（Spotlight）、ICRA等会议上发表论文4篇。

会议题目

频域信息在图神经网络中的利用-以交通轨迹预测为例

会议摘要

对于交通轨迹的短期预测，使用纯物理模型或传统的统计模型可以获得可接受的性能，因为在短时间内（即不到一秒钟），行为不太可能在很大程度上受到外部因素的影响。然而，这些方法对于更复杂的长期预测是不够的。考虑到给定的历史轨迹，由于人类的不同意图或不同实体之间的相互影响，可能会有各种可能的未来运动。预测未来轨迹的内在不确定性使得长期轨迹预测成为一项具有挑战性的任务。此外，预测系统还需要根据交通规则来判别由道路边界和管理人员划定的可穿越区域。因此，有必要设计有效的模块来模拟互动代理之间的互动，以及利用环境背景信息。在这项工作中，我们提出利用在图神经网络在频域中存在的模式，采用基于频谱分解的新图卷积方法来捕捉不同频率成分的信息。所提出的方法可以同时处理时间上的相关性和空间结构。在SDD和nuSences数据集上的实验表明，我们的方法远超过传统的图神经网络算法和基于短长时记忆模块的方法。

论文标题：1.Spectral Temporal Graph Neural Network for Trajectory Prediction

2.Spectral Temporal Graph Neural Network for Multivariate Time-series Forecasting

论文下载：关注本公众号，对话框回复“SFFAI111”，获取下载

会议亮点

1、我们提出了一个频域时空图神经网络（SpecTGNN），用于多Agent的轨迹预测。SpecTGNN在一个统一的框架内，通过图傅里叶变换和图卷积操作，整合了序列建模与卷积网络以及频域特征提取的优势；

2、我们提出了一个SpecTGNN单元，它由两个block组成：Agent交互信息Block和环境图的信息；

3、本文提出的基于频域信息的图神经网络是普适的，有较大的可扩展性。

直播时间

2021年6月20日（周日）20:00—21:00 线上直播

关注本公众号，对话框回复“SFFAI111”，获取入群二维码

注：直播地址会分享在交流群内

论文推荐

“SFFAI111期来自北京大学的曹德福推荐的文章主要关注于基础研究的图神经网络领域，你可以认真阅读讲者推荐的论文，来与讲者及同行线上交流哦。”

关注文章公众号

回复"SFFAI111"获取本主题精选论文

01

推荐理由：这篇论文提出了扩散卷积递归神经网络（DCRNN），它集成了扩散卷积，序列到序列的体系结构和调度的采样技术。提出了扩散卷积递归神经网络（DCRNN），它集成了扩散卷积，序列到序列的体系结构和调度的采样技术。

02

推荐理由：STGCN 开创性地采用 Graph Convolution 和 Gated Causal Convolution 的组合，不依赖 LSTM/GRU 来做预测。

03

推荐理由：Graph Wavenet考虑处理大范围时间序列的时空图数据，使用GCN和TCN融合捕获时空依赖关系。

04

推荐理由：结合了频域信息的图卷积神经网络，能够同时分析变量内部和不同变量之间的相互关系，适用于所有没有预先定义拓扑结构的多元时间序列。

05

推荐理由：DeepGLO 将由时间深度网络规范化的全局矩阵分解模型与捕获特定于每个维度的模式的局部深度时间模型相结合。

06

推荐理由：提出了社会时空图卷积神经网络（Social STGCNN），它通过将交互建模为一个图来代替聚合方法，将行人之间的社会互动通过核函数的方法嵌入到邻接矩阵中。

SFFAI招募！

现代科学技术高度社会化，在科学理论与技术方法上更加趋向综合与统一，为了满足人工智能不同领域研究者相互交流、彼此启发的需求，我们发起了SFFAI这个公益活动。SFFAI每周举行一期线下活动，邀请一线科研人员分享、讨论人工智能各个领域的前沿思想和最新成果，使专注于各个细分领域的研究者开拓视野、触类旁通。

SFFAI目前主要关注机器学习、计算机视觉、自然语言处理等各个人工智能垂直领域及交叉领域的前沿进展，将对线下讨论的内容进行线上传播，使后来者少踩坑，也为讲者塑造个人影响力。SFFAI还在构建人工智能领域的知识森林—AI Knowledge Forest，通过汇总各位参与者贡献的领域知识，沉淀线下分享的前沿精华，使AI Knowledge Tree枝繁叶茂，为人工智能社区做出贡献，欢迎大家关注SFFAI论坛：https://bbs.sffai.com。

SFFAI历史活动

更多SFFAI历史活动

请点击文章底部“阅读原文”查看

分享、点赞、在看，给个三连击呗！