计算机科学与技术学院杨博教授课题组2022年3月发表于IEEE TPAMI（IEEE Transactions on Pattern Analysis and Machine Intelligence）的论文“Active Surveillance via Group Sparse Bayesian Learning”入选ESI高被引论文（被引频次前1%）和热点论文（被引频次前0.1%）。论文第一作者为杨博教授的博士生裴红斌（现为西安交通大学助理教授，2021年度“博新计划”入选者），第二作者和通讯作者为杨博教授，其他作者还包括香港浸会大学刘际明教授和美国伊利诺伊大学厄巴纳-香槟分校（UIUC）Kevin Chen-Chuan Chang教授。
传播是复杂网络最普遍和最重要的动力学特性之一，传播动力学预测（简称传播预测）具有非常广泛的应用。理论上，传播预测定义为：基于监测到的历史数据推测系统中各节点状态的未来变化。在现实世界中，由于资源的限制，进行及时且全面的监测往往是不可行的。为此，该工作的目标是：如何在有限的资源条件下准确预测全局的传播趋势。主动监控是解决该问题的一种可行思路：在传播网络中合理分布监控资源，只监控少数节点，基于获取的局部监控信息预测全局网络的动力学状态。然而，有效实施主动监控关键在于：如何从大规模传播网络中辨识对预测起关键作用的节点（称为哨兵节点），并利用哨兵节点的历史信息准确推测出其余节点的状态变化。针对该问题，该论文首次提出了哨点网络的概念，并将哨兵识别和系统状态预测问题建模为组稀疏贝叶斯学习和后验推断问题，进而提出了一种通用和高效的主动监控方法。考虑到真实传播过程的复杂性，对两类广泛存在的动力学系统（连续线性系统与离散逻辑斯蒂系统）均进行了建模，采用基本函数嵌入技术将两种动力学系统扩展到非线性情况。此外，还提出了高效的矩阵乘和矩阵求逆运算，将参数优化和后验概率推断的计算复杂性降低了两个数量级。该文使用人工数据集和5个真实数据集对提出的主动监控方法进行了验证，结果表明：基于组稀疏贝叶斯学习的主动监控方法在预测精度和求解速度上均显著优于基于Group Lasso和基于高斯过程的两种主要方法，为稀疏数据建模与分析提供了新的理论工具。
IEEE TPAMI是人工智能领域顶级期刊，最新发布的影响因子为24.314，是目前影响因子最高的CCF A类期刊。
