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.

交通流量预测是建设智慧城市重要的基础功能,对城市的交通管理和用户出行规划具有重要意义. 由于时间维度和空间维度的扩展,交通流量的数据具有规模大、增长快速、实时更新等特征,传统的训练模型通常需要将大量的历史数据进行训练预测,导致较长的计算时间和较高的算力成本,因此,如何使用低计算成本的预测模型来满足广泛的流量预测需求是重要的技术挑战. 近年来兴起的提示微调范式在自然语言处理的下游任务推广中取得了较好的效果,受其启发,提出利用少量的实时数据来微调优化大规模历史数据预训练的模型,为交通流量模型预测的优化应用提出了一种新的思路. 通过引入图提示微调的交通流量预测（traffic flow prediction based on graph prompt-finetuning,TPGPF）模型的泛化能力,在时空多维度下的交通流量图预测模型中,基于历史数据集进行预测模型的预训练,并引入可学习的提示向量,在预训练模型固化的情况下指导预训练的自监督学习模型,以适应新的数据预测任务,提升交通流量预测模型的通用性和有效性. 通过在5个公开数据集上进行了大量的实验,证明了TPGPF的有效性.

大多数计算系统利用缓存来减少数据访问时间,加快数据处理并平衡服务负载. 缓存管理的关键在于确定即将被加载到缓存中或从缓存中丢弃的合适数据,以及进行缓存置换的合适时机,这对于提高缓存命中率至关重要. 现有的缓存方案面临2个问题：在实时的、在线的缓存场景下难以洞察用户访问数据的热度信息,以及忽略了数据访问序列之间复杂的高阶信息. 提出了一个基于GNN的缓存预取网络Graph4Cache.通过将单个访问序列建模为有向图（ASGraph）,并引入虚拟节点聚合图中所有节点的信息和表示整个序列. 然后由ASGraph的虚拟节点构造一个跨序列无向图（CSGraph）来学习跨序列特征,这极大地丰富了单个序列中有限的数据项转换模式. 通过融合这2种图结构的信息,学习到了序列之间的高阶关联信息,并获取了丰富的用户意图. 在多个公共数据集上的实验结果证明了该方法的有效性. Graph4Cache在P@20和MRR@20上均优于现有的缓存预测算法.