撰稿人：张帆  审核：李晋江  编辑：葛诗煜

2023年10月21日至10月25日，第32届信息与知识管理国际会议（The 32nd ACM International Conference on Information and Knowledge Management, CIKM 2023）在英国伯明翰成功举行。在此次会议上，我院2022级研究生王敏受邀参会，并就其录用论文《FAMC-Net: Frequency Domain Parity Correction Attention and Multi-Scale Dilated Convolution for Time Series Forecasting》进行了现场口头汇报。

会议圆满结束后，王敏同学于2023年11月12日在实验楼5210为我院研究生进行了关于会议录用论文的公开学术报告，详细介绍了研究所采用的方法，并展示了实验结果和相关分析。该报告吸引了众多研究生的积极参与，并引发了热烈的讨论。

此外，王敏同学还分享了在CIKM 2023大会期间与其他学者进行学术交流的经历。她表示通过参会不仅结识了来自世界各地的优秀研究者，还与他们就共同的研究课题展开了深入交流，这对于拓宽研究视野、提升学术水平具有重要的促进作用。

图1 学院学术汇报

CIKM大会介绍：

信息与知识管理国际会议（CIKM）是信息检索和数据挖掘领域的顶级国际学术会议之一，由美国计算机协会（ACM）主办。作为中国计算机学会（CCF）推荐的B类国际学术会议，CIKM备受认可，被视为该领域内的顶尖盛会之一。其高水平的论文和推介计划使其成为学术界和工业界关注的焦点。

自20世纪90年代初期创立以来，CIKM会议已成功举办多届。每年的会议都吸引了全球范围内的学者、科研人员和专业人士的积极参与。会议涵盖了众多领域，包括Web、数据库、信息检索、知识管理、数据挖掘、机器学习、人工智能等。随着会议规模的不断扩大，CIKM已成为展示最新技术发展和前沿研究成果的国际性平台。

图2 CIKM 2023 Logo

论文详情：

标题：FAMC-Net:Frequency Domain Parity Correction Attention and Multi-Scale Dilated Convolution for Time Series Forecasting

作者：王敏，王桦，张帆

论文链接：https://doi.org/10.1145/3583780.3614876

摘要：近年来，基于Transformer框架的时间序列预测模型展现出了巨大的潜力，然而其存在计算复杂度高的天然缺陷，并且只关注到了全局建模。受季节趋势分解的启发，我们提出一个将全局建模与季节周期内的局部特征提取相结合的方法，旨在捕获全局视图的同时也充分挖掘出每个季节周期内的潜在特征，更好的表达时间序列的长期特性和周期特性。我们提出一个频域奇偶修正注意力来计算全局的注意力，并利用多尺度的扩张卷积来提取每个周期内的局部相关性。同时我们采用双分支结构，对季节性和趋势性按照其内在特征进行分别的建模，改进预测效果的同时，也增强了模型的可解释性。该模型在一个完全基于单层解码器的模型架构上实现，突破了传统的编码器-解码器的架构模式，也在一定程度上减少了计算复杂度。我们在八个经典数据集上进行了充分的实验验证，结果显示我们的模型在单变量和多变量预测方面均表现出优于现有方法的出色效果。

图3 模型框架图