پذیرش مقاله پژوهشگران علوم کامپیوتر دانشگاه تنسی در چاتانوگا در کنفرانس NeurIPS 2026
مقاله یک گروه پژوهشی از دپارتمان علوم کامپیوتر و مهندسی دانشگاه تنسی در چاتانوگا (UTC) برای ارائه در بخش اصلی کنفرانس NeurIPS 2026 پذیرفته شده است؛ کنفرانسی که یکی از رویدادهای برجسته جهان در حوزه هوش مصنوعی و یادگیری ماشین به شمار می‌رود.
این مقاله با عنوان «SCDM: کشف مقیاس‌پذیر روابط علّی در سامانه‌های زمانی غیرخطی با استفاده از فرا‌یادگیری» در کنفرانس سیستم‌های پردازش اطلاعات عصبی (NeurIPS) سال ۲۰۲۶ پذیرفته شده است. این کنفرانس قرار است در ماه دسامبر در سیدنی، آتلانتا و پاریس برگزار شود.
نویسندگان مقاله عبارت‌اند از جینگبو وانگ و کگنگ تانگ، دانشجویان دکتری؛ دکتر زیهاو وانگ، استادیار و معاون هماهنگ‌کننده برنامه تحصیلات تکمیلی؛ و دکتر شائوگانگ رن، استادیار و هماهنگ‌کننده برنامه تحصیلات تکمیلی.
رن، نویسنده مسئول مقاله، سرپرستی گروه پژوهشی و نظارت بر این پروژه را بر عهده دارد. او به‌تازگی کمک‌هزینه روث اس. هولمبرگ برای تعالی اعضای هیئت علمی را دریافت کرده است.
دکتر منگ‌جون شی، استاد گوئری، استاد بنیاد دانشگاه کالیفرنیا و رئیس دپارتمان علوم کامپیوتر و مهندسی، گفت: «ما واقعاً هیجان‌زده‌ایم و به پذیرش این پژوهش در NeurIPS، یکی از معتبرترین کنفرانس‌های جهان در زمینه هوش مصنوعی و یادگیری ماشین، افتخار می‌کنیم. تا جایی که من اطلاع دارم، این نخستین مقاله دانشگاه UTC است که در NeurIPS پذیرفته می‌شود.»
او افزود: «این پژوهش به یکی از چالش‌های مهم در درک روابط علت و معلولی در سامانه‌های بزرگ و پیچیده می‌پردازد و در عین حال، مقیاس‌پذیری و کارایی محاسباتی را به‌طور چشمگیری بهبود می‌بخشد. این دستاورد موفقیتی ارزشمند برای اعضای هیئت علمی و دانشجویان ما و بازتابی روشن از رشد کیفیت و افزایش دیده‌شدن پژوهش‌های هوش مصنوعی در دانشگاه UTC است.»
در دوره سال ۲۰۲۶، کنفرانس NeurIPS تعداد ۳۰٬۷۰۹ مقاله معتبر برای بخش اصلی دریافت کرد که از میان آن‌ها ۷٬۹۰۰ مقاله پذیرفته شدند؛ به این ترتیب، نرخ پذیرش مقالات ۲۵٫۷ درصد بود.
بر اساس مقاله، ابعاد گسترده این سامانه‌ها فرایند تحلیل را دشوار می‌کند. برای مثال، در سامانه‌ای با ۳٬۰۰۰ حسگر ترافیکی، پژوهشگران باید نزدیک به ۹ میلیون ارتباط علّی احتمالی را بررسی کنند. روش‌های موجود ممکن است به ساخت یک مدل جداگانه برای هر متغیر یا اجرای تعداد زیادی آزمون آماری نیاز داشته باشند؛ موضوعی که آن‌ها را کند می‌کند یا باعث می‌شود برای پردازش مجموعه‌داده‌های بزرگ به حافظه‌ای بیش از ظرفیت موجود نیاز داشته باشند.
گروه پژوهشی دانشگاه UTC برای افزایش کارایی این فرایند، روش SCDM را بر پایه فرا‌یادگیری توسعه داد. در این رویکرد هوش مصنوعی، مدل از وظایف مرتبط با یکدیگر یاد می‌گیرد. SCDM پیش‌بینی هر متغیر را یک وظیفه مستقل در نظر می‌گیرد، اما برای انجام این وظایف از یک مدل پیش‌بینی مشترک و یک نقشه واحد استفاده می‌کند که قدرت روابط علّی میان متغیرهای سامانه را نشان می‌دهد.
این روش به‌جای پردازش هم‌زمان همه متغیرها، در هر مرحله آموزش از نمونه‌های تصادفی کوچک استفاده می‌کند. سپس به‌تدریج، تصویری جامع از کل سامانه به دست می‌آورد.
در آزمایش روی داده‌های شبیه‌سازی‌شده تصویربرداری مغز، مبتنی بر یک نقشه استاندارد شامل ۱۰۰ ناحیه مغزی، روش SCDM توانست ارتباطات شناخته‌شده را دقیق‌تر از شش روش پیشرو شناسایی کند. همچنین، در یک شبیه‌سازی بزرگ‌تر با حدود یک میلیون ارتباط احتمالی، این روش در مدت‌زمان محاسباتی یکسان، ارتباطات صحیح را با اطمینان بیشتری نسبت به یکی از روش‌های پیشرفته اخیر شناسایی کرد.
پژوهشگران همچنین SCDM را با استفاده از داده‌های ۳٬۰۰۰ حسگر بزرگراه‌های لس‌آنجلس آزمایش کردند. این روش حدود ۲۳ برابر سریع‌تر از روش مقایسه‌ای اجرا شد و تقریباً یک‌چهاردهم حافظه پردازنده گرافیکی (GPU) آن را مصرف کرد. قوی‌ترین ارتباطات شناسایی‌شده عموماً میان حسگرهای نزدیک به یکدیگر بود؛ الگویی که با حرکت و گسترش ترافیک سنگین در امتداد بزرگراه‌ها همخوانی دارد.
این پژوهش می‌تواند به پیشرفت مطالعات علوم اعصاب و پزشکی کمک کند و به پژوهشگران امکان دهد تأثیر متقابل نواحی مغز بر یکدیگر را در وضعیت سلامت و بیماری بررسی کنند. همچنین، مسئولان حمل‌ونقل می‌توانند از این روش برای درک بهتر چگونگی گسترش تراکم ترافیک در شبکه‌های جاده‌ای بهره ببرند. از دیگر کاربردهای احتمالی آن می‌توان به مطالعه شبکه‌های برق، پایش محیط‌زیست، تجهیزات صنعتی و بازارهای مالی اشاره کرد؛ حوزه‌هایی که همگی حجم زیادی از داده‌های سری زمانی تولید می‌کنند.
گام‌های بعدی این گروه شامل توسعه قابلیت انتخاب خودکار تنظیمات روش SCDM و ایجاد پیوند نزدیک‌تر میان این روش و ابزارهای پیش‌بینی است.
دکتر کومار یلامارتی، رئیس دانشکده مهندسی و علوم کامپیوتر دانشگاه UTC، گفت: «این موفقیت در NeurIPS نشان‌دهنده کیفیت پژوهش‌هایی است که در دانشگاه UTC انجام می‌شوند. دکتر رن، دکتر وانگ و دانشجویانشان پژوهش‌هایی را پیش می‌برند که می‌تواند به مردم کمک کند سامانه‌های پیچیده، از شبکه‌های ترافیکی گرفته تا مغز انسان، را بهتر درک کنند. این دستاورد همچنین قدرت جامعه پژوهشی رو به رشد دانشگاه UTC در زمینه هوش مصنوعی و یادگیری ماشین را نشان می‌دهد.»
اطلاعات بیشتر
دانشکده مهندسی و علوم کامپیوتر