近日，实验室博士生施斯、董明同学的论文被中国计算机学会推荐B类会议CIKM录用。

1. A Multi-Scale Temporal Feature Aggregation Convolutional Neural Network for Portfolio Management.

ACM International Conference on Information and Knowledge Management (CIKM) 2019, Beijing, to appear.

2. Multiple Rumor Source Detection with Graph Convolutional Networks.

ACM International Conference on Information and Knowledge Management (CIKM) 2019, Beijing, to appear.

论文“A Multi-Scale Temporal Feature Aggregation Convolutional Neural Network for  Portfolio Management”研究内容：金融投资组合管理是周期性地将资金重新配置到不同的金融投资产品中，以实现利润最大化为目标的过程。传统的金融机器学习方法试图预测价格趋势，而基于强化学习(RL)的投资组合管理方法则直接根据价格变化做出交易决策。然而，现有的基于强化学习的方法只在单尺度上提取价格变化信息，这使得它们的性能不佳。本文受计算机视觉中Inception网络的启发，提出了一种新的卷积神经网络结构EI3，旨在解决现有基于强化学习的项目组合管理方法的局限性。Inception网络在计算机视觉领域取得了巨大的成功，可以同时提取多尺度特征。使用EI3网络，可以在共享相同网络参数的同时独立处理多个资产。此外，还可以通过宽度网络对每一种产品的价格运动信息进行多尺度提取、聚合并最终做出交易决策。在EI3的基础上，我们进一步提出了一个循环强化学习框架，为项目组合管理问题提供了一个深入的机器学习解决方案。对加密货币数据集的综合实验表明，无论在行情上涨还是下跌的情况下，我们的方法都优于现有的方法。

论文“Multiple Rumor Source Detection with Graph Convolutional Networks”研究内容：社交网络中多谣言源头识别问题一直以来都是谣言应对的关键问题之一。现有检测方法多基于已知的底层信息传播模型，这在现实应用中存在一定的局限性，因为在许多真实数据集中我们无法获取底层信息传播模型的信息。LPSI是第一个无需底层信息传播模型的多谣言源头识别方法。然而由于他们的方法对于节点的标签信息过于简单，限制了检测精度的提高。针对这一问题，我们提出了一个基于图卷积神经网络的多谣言源头的端到端检测模型：GCNSI（Graph Convolutional Networks based Source Identification），通过对节点标签进行嵌入表示，并且利用图卷积神经网络获取其多阶邻居信息，我们可以实现在无底层信息传播模型的情况下对社交网络中多谣言源头进行检测。最终，通过在多个数据集上进行对比实验，我们验证了提出方法的有效性。