应用数学与交叉威廉英国中心复杂网络团队于2026年3月19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，由一名研二学生和两名研一学生分别汇报自己的研究进展，然后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：本文提出了一种多模态金融时间序列预测模型SPPMFN，该方法首先将一维金融时间序列转换为二维GAF图像，然后与原始时间序列一起输入到深度网络中进行多模态特征融合学习。此外，作者提出了创新的CMTM自监督学习策略，通过掩码重建任务提升模型对金融数据结构的理解能力，从而提高预测准确率。现状：金融时间序列（如股票价格）具有高波动性、噪声和非线性特征。传统统计模型（如ARIMA、GARCH）以及机器学习和深度学习方法在捕捉复杂市场模式和提升预测性能方面仍存在不足。

张璟：本次汇报《Higher Order Epidemic Spreading in Simplicial Networks》流行病的传播是一个受家庭、学校、企业等多种社会关系影响的复杂过程。以单纯复形表征的群体交互已被证实会对疫情传播动力学产生显著影响。然而，现有高阶传播模型仅考虑了高阶结构内部的传播过程，却缺乏对结构内节点状态一致性的描述。为解决这一问题，本文构建了一个可解析的网络模型，该模型能够刻画网络簇与节点状态一致性趋势，同时捕捉交互群体的共存现象。我们分析了高阶传播动力学的双稳区域与疫情阈值，并在不同的网络中探究了节点状态更新对模型的影响：随机正则单纯形网络；三角单纯形晶格网络；星型单纯形网络。理论分析与蒙特卡洛数值模拟结果表明，所提模型能够准确刻画高阶交互作用引发的相变与双稳区域。此外，我们发现引入单纯形间交互机制会显著降低系统的疫情阈值，并形成更宽的双稳区域 —— 在该区域内，系统动力学高度依赖于初始感染节点的密度与位置。

许微微：在本文中，我们提出了一种分层多模态变分编码器-解码器(HMMVED), 通过以分层方式综合利用用户信息和微视频内容来预测微 视频的流行度。具体而言，多模态变分编码器-解码器框架将输 入模态编码为低维随机嵌入，从中可以解码出微视频的流行度。考虑到用户的社会影响力在社交媒体信息传播中的主导作用，我们设计了一个用户编码器-解码器，从用户信息中学习微视频的先验高斯嵌入，这对粗粒度的流行度具有参考价值。为了纳入由多样的多模态内容引起的粗粒度流行度周围的波动，在微视频编码器-解 码器中，微视频嵌入的精细化后验分布是从内容特征中编码而来的，同时被鼓励接近所学习到的先验分布。每个微视频的细粒度流行度是从微视频的后验嵌入中解码得到的。基于变分信息瓶颈理论的多模态 扩展，我们表明所学习到的微视频潜在嵌入在最大程度压缩输入模态信息的同时，对流行度具有最大的表达能力。在两个真实世界数据集上进行的大量实验证明了所提方法的有效性。