WWW / The Web Conference

Efficient Computation for Diagonal of Forest Matrix via Variance-Reduced Forest Sampling

森林矩阵对角线的方差缩减森林采样高效计算

Haoxin Sun, Zhongzhi Zhang

AI总结 针对有向图森林矩阵对角线计算中拉普拉斯求解器的局限性，提出三种基于采样的算法SCF、SCFV和SCFV+，通过方差缩减技术实现高精度线性时间计算，可扩展至千万节点图。

Comments Published in The Web Conference 2024

SEMixer: Semantics Enhanced MLP-Mixer for Multiscale Mixing and Long-term Time Series Forecasting

SEMixer: 语义增强的MLP-Mixer用于多尺度混合和长期时间序列预测

Xu Zhang, Qitong Wang, Peng Wang, Wei Wang

机构 * Shanghai Key Laboratory of Data Science, College of Computer Science and Artificial Intelligence Fudan University（上海数据科学 key 实验室，复旦大学计算机科学与人工智能学院） ； Harvard University（哈佛大学） 纠错

AI总结 提出SEMixer模型，通过随机注意力机制和多尺度渐进混合链，有效建模多尺度时间依赖并解决语义鸿沟问题，在10个公开数据集和真实无线网络数据上取得优异性能。

Comments This work is accepted by the proceedings of the ACM Web Conference 2026 (WWW 2026). The code is available at the link https://github.com/Meteor-Stars/SEMixer