近日，我实验室博士生施斯的论文 “XPM: An Explainable Deep Reinforcement Learning Framework for Portfolio Management ” 和博士生杨中的论文 “HASTE: A Distributed System for Hybrid and Adaptive Processing on Streaming Spatial-Textual Data ” 同时被CIKM 2021: ACM International Conference on Information and Knowledge Management所接收。CIKM是数据库/数据分析/内容检索方面的国际顶级会议，每篇论文由3名程序委员审稿，1名特别程序委员决定最终录用结果，2021年共收到论文1251篇，录用271篇，录用率21.7%。

施斯的论文为解决由于深度强化学习可解释性弱的特点而带来的存在潜在风险、难以被用户信任、难以被监管等问题做了相关研究。作者在该论文中提出了一个可解释的投资组合管理强化学习框架XPM，该框架高效、简洁，可以为投资组合管理决策提供可靠的解释。论文设计了一个用于投资组合管理的策略网络，该网络使用时间卷积网络(TCN)来提取投资组合中多个时间序列的时间特征，使用全局平均池化(global average pooling, GAP)和全连接层整合全局特征图来处理资产相关性，最后利用softmax函数确定输出组合权重。为了将可解释性整合到模型中，作者使用了一种可解释的人工智能方法——类激活映射(CAM)，来解释网络输出，它计算一个用户感兴趣资产的激活映射图，该图突出显示输入状态中的重要的资产和时间。实验结果表明，XPM不仅能够取得良好收益，而且能为最终用户提供可靠和翔实的解释。

杨中的论文则提出了一个混合和自适应的分布式时空文本流数据处理系统，该系统旨在高效地处理时空文本流数据并获得高吞吐量低延迟的效果。论文中，作者创新的提出了一种通过类型划分数据对象来预先减少整体查询负载的方法以及一种能够同时考虑数据的空间属性和文本属性的负载估计模型和负载分区策略，同时设计了多级负载调整策略自适应地应对不同程度的负载不平衡。实验结果表明论文所提出的系统具有较高的吞吐量和查询效率。