应用数学与交叉科学研究中心复杂网络团队于2026年5月14日进行每周小组组会，小组全体成员和各位导师共同参加。在这次组会上，由两名研一学生和一名研二学生汇报自己的研究进展，老师与同学们对汇报内容进行学术探讨，并对存在的问题给出相应的指导和建议。
李星耀：本次汇报的这篇文章针对股票走势预测中多模态信息融合不稳定的问题，提出了一个名为 MSGCA 的框架，将价格指标、动态文本和关系图三种模态进行稳定融合，从而缓解数据稀疏和模态间语义冲突。本文的巧妙之处在于，它把价格指标当作更稳定的‘主线索’，再用门控交叉注意力把新闻文本和关系图一步步融合进来：先分别编码三种模态，再通过主模态引导做稳定融合，最后完成涨/平/跌预测。结果表明，这种‘由主模态引导的稳定多模态融合’确实有效，在四个数据集上都优于现有方法。
许微微：理解并预测用户生成内容(UGC)的流行度对各类社交系统和推荐系统至关重要。现有研究主要聚焦于提取预测特征并利用预训练的深度模型学习和融合多模态UGC表征。但社交UGC的传播并非社交网络中的孤立过程，而是受相关上下文UGC以及社交关系、趋势、用户兴趣、平台算法等外部因素影响。文章提出一种基于检索的框架以提升多模态UGC的流行度预测能力。该框架超越了简单的语义检索，融入元检索策略，通过考虑多模态内容语义以及用户和发布的元数据来查询多样化的相关UGC。此外，为了剔除检索中无关且含噪的UGC，文章引入了一种名为相对检索贡献(RRCP)的新度量，对检索到的UGC进行选择性优化。随后，文章借助视觉-语言图神经网络聚合上下文UGC知识，并将其与基于RRCP注意力的预测网络进行融合。文章在三个大规模社交媒体数据集上开展大量实验，与强基准模型相比，文章方法在所有指标上均实现了26.68%至48.19%的显著提升。
张璟：本次汇报《Modeling Coupled Epidemic-Information Dynamics via Reaction-Diffusion Processes on Multiplex Networks with Media and Mobility Effects》尽管现有的多数传染病模型侧重于单一因素的影响，但传染病的传播本质上是由多种要素交织决定的。在本研究中，我们提出了一种基于多层网络的信息-疾病耦合传播模型，该模型同时考虑了三个关键维度：媒体影响、高阶交互和人口流动性。这一综合框架能够系统地分析在现实约束条件下各因素的协同传播机制，并有助于探索有效的疫情控制策略。 采用微观马尔可夫链方法推导出耦合动力学方程，并确定了疫情暴发阈值，随后通过大量蒙特卡洛模拟对结果进行了验证。研究结果表明，大众媒体传播和高阶网络结构均能通过提升公众意识来抑制疾病传播。然而，随着单纯形阶数的增加，高阶交互的抑制效应会减弱。本文还探讨了亚种群特征的影响，发现在一个连通的集合种群网络中，增加亚种群间的连通性会降低疾病流行水平。
