近日，第40届神经信息处理系统大会（Conferenceon Neural Information Processing Systems，NeurIPS 2026）公布论文录用结果。华南理工大学电子商务系大数据管理与应用专业首届本科生王曦乐、刘兆宇两位同学参与完成的两篇论文获得录用，指导教师为杨明奇助理教授。
其中，由王曦乐、杨明奇提交的论文题为“Traffic STGNNs across Sensor, City, and Time Shifts: Routing Concentration Tracks Sensitivity to Sensor Dropout”。
基于时空图神经网络（STGNN）的交通预测是网约车调度、信号灯配时、拥堵治理等智慧交通应用的重要技术基础。然而，现有评测面临多项亟待解决的问题，例如路面传感器突然失效怎么办？在一座城市训练好的模型，能否直接用到另一座城市？工作日与周末截然不同的出行规律，会不会让预测“失准”？
该论文为此构建了一套多场景诊断评测协议，对8种主流交通时空图神经网络在传感器失效、跨城市零样本迁移、工作日与周末时间偏移三类贴近实际部署的场景下进行系统“体检”，并在实验前预先登记了16项研究假设，确保结论可检验、可证伪。
由杨明奇、刘兆宇、冯文杰（中国科学技术大学教授）提交的论文题为“Towards Scalable and Powerful Graph Learning with Hierarchical Structural Acquisition”。
长期以来，图神经网络难以兼顾“表达能力”与“可扩展性”：谱方法、图Transformer等强表达模型依赖整图全局运算，计算开销随图规模急剧膨胀，难以处理数十万乃至上百万节点的大图；而依靠采样、预计算等手段实现扩展的方法，又往往以丢失细粒度结构信息为代价。
该论文指出，这一困境的根源在于现有方法对图结构“一视同仁”，对复杂程度迥异的区域施加同样的计算，并据此提出“层次化结构获取”的新思路，并以融合框架理论（Fusion Frame Theory）为基础设计了S&P框架，实现计算资源的“按需分配”。理论分析证明，该设计在保持与全频谱方法相当的滤波表达能力的同时，兼具数值稳定性与线性计算复杂度。
据悉，NeurIPS创办于1987年，是机器学习与人工智能领域规模最大、影响力最高的国际学术会议之一，是中国计算机学会（CCF）推荐的A类国际学术会议，与国际机器学习大会（ICML）、国际学习表征会议（ICLR）并称“机器学习与人工智能领域三大顶会”。
目前，刘兆宇已获得清华大学计算机系直博生资格，王曦乐已获得香港中文大学（深圳）理工学院直博生资格。
