IJCAI

Prior Knowledge-enhanced Spatio-temporal Epidemic Forecasting

先验知识增强的时空疫情预测

Sijie Ruan, Jinyu Li, Jia Wei, Zenghao Xu, Jie Bao, Junshi Xu, Junyang Qiu, Shuliang Wang, Xiaoxiao Wang, Hanning Yuan

机构 * Beijing Institute of Technology（北京理工大学） ； Zhejiang Provincial Center for Disease Control and Prevention（浙江省疾病预防控制中心） ； JD Technology（京东科技） ； The University of Hong Kong（香港大学） ； China Mobile Internet（中国移动互联网） 纠错

AI总结 本文提出了一种结合隐式时空先验和显式专家先验的新型混合框架STOEP，通过动态调整区域依赖关系、放大弱信号和机制性预测来提升时空疫情预测的准确性。

Comments 12 pages, 10 figures, accepted to IJCAI 2026

Can Breath Biomarkers Causally Influence Blood Glucose? Investigating VOC-Mediated Modulation in Diabetes

呼吸生物标志物能否因果影响血糖？探讨VOC介导的糖尿病调节

Varsha Sharma, Prasanta K. Guha, Avik Ghose

机构 * TCS Research（TCS研究） ； Department of E&ECE, IIT Kharagpur（印度理工学院Kharagpur电子与电气工程系） 纠错

AI总结 本研究通过非侵入式数据驱动框架，利用挥发性有机化合物（VOCs）和生活方式变量识别糖尿病高风险个体，采用因果推断技术估计VOCs如乙酮、异丙醇、异戊二烯和乙醇对血糖水平的影响，并设计分类器区分糖尿病患者与非糖尿病患者，建立基于风险的排名系统和高斯混合模型识别自然聚类。

Journal ref Proceedings of the IJCAI workshop on Advanced Neural Systems for Next-Generation Biomedical Intelligence, 2025

HyLoVQA: Dynamic Hypernetwork-Generated Low-Rank Adaptation for Continual Visual Question Answering

HyLoVQA: 动态超网络生成低秩适应用于连续视觉问答

Yiran Wang, Chenyi Xiong, Ziyue Qin, Miao Zhang, Kui Xiao, Zhifei Li

机构 * School of Computer Science, Hubei University, Wuhan 430062, China（湖北大学计算机学院，武汉430062，中国） ； Hubei Key Laboratory of Big Data Intelligent Analysis and Application (Hubei University), Wuhan 430062, China（湖北省大数据智能分析与应用重点实验室（湖北大学），武汉430062，中国） ； Key Laboratory of Intelligent Sensing System and Security (Hubei University), Ministry of Education, Wuhan 430062, China（智能感知系统与安全重点实验室（湖北大学），教育部，武汉430062，中国） 纠错

AI总结 HyLoVQA通过动态超网络生成低秩适应，解决连续视觉问答中任务干扰问题，提升模型对当前任务和对象的适应能力。

Comments Accepted by IJCAI 2026

HealthMamba: An Uncertainty-aware Spatiotemporal Graph State Space Model for Effective and Reliable Healthcare Facility Visit Prediction

HealthMamba: 一种考虑不确定性的时空图状态空间模型用于有效可靠的医疗设施访问预测

Dahai Yu, Lin Jiang, Rongchao Xu, Guang Wang

机构 * Department of Computer Science, Florida State University（佛罗里达州立大学计算机科学系） 纠错

AI总结 本文提出HealthMamba，一种考虑不确定性的时空图状态空间模型，用于有效可靠的医疗设施访问预测。该模型包含三个关键组件：统一的时空上下文编码器、新的图状态空间模型GraphMamba以及综合的不确定性量化模块。实验结果显示，HealthMamba在预测准确性和不确定性量化方面分别比现有最佳基线提高了6.0%和3.5%。

Comments IJCAI 2026