伟德国际BETVlCTOR楊博教授課題組2022年3月發表于IEEE TPAMI（IEEE Transactions on Pattern Analysis and Machine Intelligence）的論文“Active Surveillance via Group Sparse Bayesian Learning”入選ESI高被引論文（被引頻次前1%）和熱點論文（被引頻次前0.1%）。論文第一作者為楊博教授的博士生裴紅斌（現為西安交通大學助理教授，2021年度“博新計劃”入選者），第二作者和通訊作者為楊博教授，其他作者還包括香港浸會大學劉際明教授和美國伊利諾伊大學厄巴納-香槟分校（UIUC）Kevin Chen-Chuan Chang教授。
傳播是複雜網絡最普遍和最重要的動力學特性之一，傳播動力學預測（簡稱傳播預測）具有非常廣泛的應用。理論上，傳播預測定義為：基于監測到的曆史數據推測系統中各節點狀态的未來變化。在現實世界中，由于資源的限制，進行及時且全面的監測往往是不可行的。為此，該工作的目标是：如何在有限的資源條件下準确預測全局的傳播趨勢。主動監控是解決該問題的一種可行思路：在傳播網絡中合理分布監控資源，隻監控少數節點，基于獲取的局部監控信息預測全局網絡的動力學狀态。然而，有效實施主動監控關鍵在于：如何從大規模傳播網絡中辨識對預測起關鍵作用的節點（稱為哨兵節點），并利用哨兵節點的曆史信息準确推測出其餘節點的狀态變化。針對該問題，該論文首次提出了哨點網絡的概念，并将哨兵識别和系統狀态預測問題建模為組稀疏貝葉斯學習和後驗推斷問題，進而提出了一種通用和高效的主動監控方法。考慮到真實傳播過程的複雜性，對兩類廣泛存在的動力學系統（連續線性系統與離散邏輯斯蒂系統）均進行了建模，采用基本函數嵌入技術将兩種動力學系統擴展到非線性情況。此外，還提出了高效的矩陣乘和矩陣求逆運算，将參數優化和後驗概率推斷的計算複雜性降低了兩個數量級。該文使用人工數據集和5個真實數據集對提出的主動監控方法進行了驗證，結果表明：基于組稀疏貝葉斯學習的主動監控方法在預測精度和求解速度上均顯著優于基于Group Lasso和基于高斯過程的兩種主要方法，為稀疏數據建模與分析提供了新的理論工具。
IEEE TPAMI是人工智能領域頂級期刊，最新發布的影響因子為24.314，是目前影響因子最高的CCF A類期刊。
